GPT-5.5 官方基准、价格与安全边界

一句话结论

OpenAI 的发布数据把 GPT-5.5 定位为工具密集型编码、浏览、知识工作和跨软件 Agent 的高端模型，但表内数字是官方测评结果，复现时必须保留 harness、工具和模型快照。

适用场景

• 适合的任务：复杂编码与调试、终端 Agent、浏览研究、数据分析、跨软件知识工作和长上下文任务。

• 不适合的任务：只按官方榜单数字选择模型的安全关键生产流程；需要用自己的数据、权限和成本约束复测。

• 适用的模型版本：发布页所称 GPT-5.5；API 快照为 gpt-5.5-2026-04-23，采集时的模型页列出约 1.05M 上下文、128K 最大输出。

• 适用的客户端、Agent 或 API：Codex、Responses API 及带浏览/终端/代码工具的 Agent。

• 推荐的推理档位和参数：发布页未给出统一任务参数；以官方模型指导的 medium 为起点，再用代表性 eval 调整。

测试/工作流步骤

1. 记录模型 ID/快照、工具版本、系统提示、上下文长度、推理档位和 token 预算。

2. 选择与实际任务匹配的基准：终端编码、软件操作、浏览研究、知识工作或长上下文。

3. 在相同输入和工具权限下运行多次，记录成功率、耗时、输入/输出/推理 token、工具错误和人工修订量。

4. 对官方数字只做方向性对照；发布页未公开的 harness、随机种子或每题结果不能自行补写。

测试环境

• 模型/版本：GPT-5.5；发布页并列 GPT-5.4、Claude Opus 4.7、Gemini 3.1 Pro 等对照项。

• 工具与运行环境：各基准使用各自官方/内部 harness；发布页没有为每个项目公开完整环境配置。

• 输入与评测方式：官方基准集和内部任务，具体题目输入未全部公开。

输入/配置

官方页明确的 API 信息：GPT-5.5 输入价格 $5/百万 token、输出 $30/百万 token；上下文窗口 1M；Codex 上下文 400K。超过 272K 的 API 输入会触发页面列出的长上下文计费规则，具体应以当前价格页核对。

结果数据

结论

官方结果显示 GPT-5.5 在终端编码、软件操作、知识工作和浏览任务上具有明显竞争力；这支持将它优先放入复杂 Agent 和跨工具工作流的候选集。它不证明每个代码库、浏览任务或企业流程都同样领先，尤其不能把跨基准分数直接换算为业务 ROI。

局限与复现步骤

• 局限：结果由模型提供方发布；不同项目的工具、提示、时间限制和评分器不同，且部分 harness 没有公开。

• 复现步骤：固定 gpt-5.5-2026-04-23（若仍可用）、记录 Responses/Codex 版本和工具权限；选取同类公开任务；保存原始输入、工具轨迹、输出、token 与人工评分；再与 GPT-5.4 或其他候选在同一 harness 运行。

• 安全边界：官方对生物和网络安全能力采用更强的分类器与可信访问控制；复现安全能力时只做合规评测，不复制有害指令。

原始证据与数据

发布页的“GPT-5.5 benchmarks”表提供上述分数和对照模型；价格、上下文和快照信息同时由 OpenAI 模型页与 API 定价页补充。本文保留了来源之间的职责边界，没有把发布页未公开的测试设置写成事实。

适用边界

• 分数为官方报告值，不能标记为独立复现。

• 比较时应优先按任务类型、工具和时间预算匹配，不要按单一总榜排序。

• 价格与快照可能变化；生产部署前需重新核对官方模型页和价格页。

来源摘录或观察（仅做合规短引）

发布页将 GPT-5.5 概括为 “a major step forward in coding, knowledge work, and computer use”，但该定位仍应以自身任务评测验证。