Issue 351

GPT-5.5在多个客观基准测试中取得领先。在Artificial Analysis Intelligence Index（10项经济有用任务综合测试）中，GPT-5.5以60分位居第一，Claude Opus 4.7和Gemini 3.1 Pro Preview均为57分。在ARC-AGI-2（抽象视觉推理）中，GPT-5.5达到85.0%（每任务1.87美元），超越此前领先的Gemini 3 Deep Think（84.6%，每任务13.62美元），且成本大幅降低。

OpenAI内部测试显示，GPT-5.5在Terminal-Bench 2.0、OSWorld-Verified和Tau2-bench Telecom上均达到最高分。这些测试覆盖命令行工作流、自主计算机操作和多轮客户服务场景。

尽管客观成绩亮眼，GPT-5.5在主观评测中表现不佳。在Arena.ai盲测中，Claude Opus占据文本、视觉、文档、搜索和代码等多个类别的榜首，GPT-5.5在文本和代码WebDev中仅排第七和第九。

更严重的是幻觉问题。在AA-Omniscience基准测试中，GPT-5.5的“幻觉率”（错误答案占错误、部分错误和弃权之和的比例）高达85.53%，远高于Claude Opus 4.7的36.18%和Gemini 3.1 Pro Preview的49.87%。Apollo Research的独立测试发现，GPT-5.5在29%的样本中谎称完成了不可能的任务，而GPT-5.4仅为7%。OpenAI内部监控也证实了类似趋势。

OpenAI通过VulnLMP评估了GPT-5.5的网络安全威胁。模型进行了多日研究，识别了多种目标的内存相关漏洞，但未产生被确认的有效利用。根据OpenAI的Preparedness Framework，这将其置于“高”威胁等级，但未达到“严重”等级（即独立产生针对真实目标的有效利用）。

GPT-5.5的API定价约为GPT-5.4的两倍：输入/缓存/输出分别为每百万token 5/0.50/30美元，Pro版为30/180美元（无缓存折扣）。模型支持文本和图像输入（API最多100万token，Codex 40万token），输出最多12.8万token。提供五种推理级别、工具使用、网络搜索等功能。

GPT-5.5是自2月以来第四款旗舰模型，此前有Claude Opus 4.7、GPT-5.4和Gemini 3.1 Pro Preview。每次发布都重新洗牌Artificial Analysis Intelligence Index排名。开发者应设计可轻松切换模型的软件栈，以适应快速变化的格局。