最强大模型GPT-5.5来了，实测：不止是会说人话了

Introducing the world's most powerful model

今天继续聊新模型

刚刚，OpenAI 放出了 GPT-5.5

我第一反应是：这节奏有点凶

昨天还在看各家模型打架，今天 OpenAI 又把桌子往前推了一截。官方说它是“最聪明、最直觉化”的模型，重点能力放在 Agentic Coding、电脑操作、知识工作、科研分析这些硬活上

说人话：更适合让它接一整段活，而非只回答一个问题

升级 Codex 之后，已经能直接用了

先说结论

我简单测试了一圈，感觉很明确：

GPT-5.5 最大的变化，是它更懂“我要干什么”

很多模型很强，但用起来像在带实习生。你得把边界、格式、语气、步骤、例外都交代清楚，少说一句就开始自由发挥

GPT-5.5 给我的感觉是，它会更快抓住任务形状。尤其是写代码、改稿子、做前端、整理信息这些场景，它少绕路，少废话，少自我感动

当然，也没成神

我拿经典数手指挑战试了一下，失败

这个测试很适合泼冷水

别看到新模型就以为天下无敌，视觉细节、复杂空间关系、奇怪的人类刁钻题，模型依然会翻车

但另一个测试，我让它做阅读理解 + SVG 代码生成 + 审美表达

确实是一流水平

这个地方我挺有感触

过去很多模型做 SVG，会把“能画出来”当目标。GPT-5.5 更像是在理解内容之后，顺手把视觉层级、构图、文字密度一起处理了。最终效果谈不上设计师毕业作品，但已经明显脱离“AI 生成味儿太冲”的阶段

还有一个测试，作为彩蛋，文末公布

官方到底说了什么

OpenAI 官方文章标题很直接：

这张图里最关键的词，其实是：real work

OpenAI 这次想讲的，不只是“模型分数更高了”，它更想强调 GPT-5.5 是一个能干活的模型

我把官方信息拆成一张表，读起来更清楚：

官方原文里有一句话很重要：你可以给 GPT-5.5 一个混乱的、多步骤任务，让它自己规划、用工具、检查结果、穿过模糊地带继续推进

这句话我觉得比 benchmark 更关键

因为过去我们用模型，很多时候像在写“超详细说明书”；现在 OpenAI 想把它推进到“你说目标，它自己拆活”的阶段

从官方给出的能力图谱看，GPT-5.5 主要有四条主线：

第一，代码能力继续增强

官方给出的 Terminal-Bench 2.0 是 82.7%，GPT-5.4 是 75.1%

SWE-Bench Pro 是 58.6%，GPT-5.4 是 57.7%

Expert-SWE 内部评测是 73.1%，GPT-5.4 是 68.5%

这个提升看起来有的很大，有的没那么夸张。但我更在意 Terminal-Bench 这种命令行长期任务，因为它真正测的是规划、执行、出错后修正、继续往前走

第二，知识工作更像真人工作流

官方提到，GPT-5.5 在 Codex 里生成文档、表格、幻灯片更强，也更适合做运营调研、财务建模、把混乱业务输入整理成计划

OpenAI 自己也给了几个内部例子：

• 通讯团队用它分析 6 个月演讲请求数据，做评分和风险框架
• 财务团队用它审查 24,771 份 K-1 税表，总计 71,637 页
• Go-to-Market 团队有人用它自动生成周报，每周节省 5 到 10 小时

这几个例子很有代表性

AI 真正进入工作流，核心价值常常在处理这些又碎、又长、又不能随便错的东西

第三，长上下文终于更有意义了

Codex 里 GPT-5.5 是 400K context window，API 计划给到 1M context window

但长上下文不能只看长度，还要看能不能在长上下文里找对东西

官方长上下文评测里，Graphwalks BFS 1mil f1，GPT-5.5 是 45.4%，GPT-5.4 是 9.4%；OpenAI MRCR v2 8-needle 512K-1M，GPT-5.5 是 74.0%，GPT-5.4 是 36.6%

这两个数字的意思很朴素：上下文拉长以后，GPT-5.5 更不容易迷路

这对读 PDF、审代码库、看会议记录、整理大项目文档都很关键

以前模型上下文很长，但你总担心它“看是看了，脑子没带上”

这次至少从官方数据看，长上下文检索和推理能力往前走了一步

第四，科研和安全能力都被单独拎出来了

官方页里这张图挺有代表性，是 GPT-5.5 在 Codex 里从一句 prompt 做出来的代数几何可视化应用：

GPT-5.5 生成的代数几何可视化应用

GPT-5.5 生成的代数几何可视化应用

科研这块，官方重点提到 GeneBench、BixBench、FrontierMath、GPQA Diamond 等评测

比如 GeneBench，GPT-5.5 是 25.0%，GPT-5.4 是 19.0%；BixBench 是 80.5%，GPT-5.4 是 74.0%；FrontierMath Tier 4 是 35.4%，GPT-5.4 是 27.1%

这些题已经超出普通聊天，更接近“读数据、理解实验、写代码、找问题、解释结果”的组合题

安全这块也很明显

Capture-the-Flags 内部任务，GPT-5.5 是 88.1%，GPT-5.4 是 83.7%；CyberGym 是 81.8%，GPT-5.4 是 79.0%

这说明它在安全攻防理解上也更强了，所以官方同时强调了更严格的防护策略

这地方我挺支持

模型越来越能写代码、找漏洞、操作工具，如果护栏跟不上，麻烦会很大

第五，推理效率这次也值得看

OpenAI 说 GPT-5.5 在真实服务里的 per-token latency 能接近 GPT-5.4，同时能力更强

更有意思的是，他们还说 Codex 和 GPT-5.5 参与了服务它自己的基础设施优化

其中一个例子是负载均衡和分区启发式算法，分析了数周生产流量模式后，token 生成速度提升超过 20%

这段很科幻

模型帮助优化运行模型的系统，听起来像套娃，但这大概率就是未来 AI 基建的常态

最后说可用性和价格：

API 价格也公布了：

Batch 和 Flex 是标准 API 价格的一半，Priority 是标准价格的 2.5 倍

这个价格不便宜

所以我的建议很简单：日常碎活用普通模型，复杂工程、长文档、多步骤任务，再把 GPT-5.5 请出来

编程：少一点折腾

我最关心的还是 Codex

因为现在 AI 编程模型的问题，很多时候已经从“会不会写代码”，变成了“会不会添乱”

你让它修一个小 bug，它顺手重构半个项目；

你让它补一个测试，它开始发明一套新架构；

你让它按现有风格改，它偏要展示一下自己的抽象能力

这些事，大家应该都遇到过

GPT-5.5 给我的第一印象是：它更收得住

它更愿意先读上下文，再判断改哪里；更愿意沿着原项目风格走；也更能理解“这只是一个小改动”

这点对工程师很重要

模型智商高当然好，但真正让人愿意长期使用的，是它能不能降低心智负担。你交代一句，它往正确方向走三步，这才叫生产力

官方也提到，GPT-5.5 在 Codex 里更擅长长程任务，能做实现、重构、调试、测试、验证这些连续动作

说白了，就是更像一个能扛事的 Agent

前端：审美终于往前走了

前端这个方向，我之前对很多模型都很苛刻

原因很简单：前端差一点就很丑

按钮间距差一点，信息层级差一点，颜色克制差一点，整个页面立刻变成“后台管理系统 2016 怀旧版”

GPT-5.5 这次在前端上确实有进步

网友实测也提到，同样提示下，它生成的 dashboard 比 GPT-5.4 更自然；如果先用 GPT Image 2 做设计方向，再让 GPT-5.5 实现，组合效果会更稳

这个思路很值得借鉴

以后做前端原型，可以这样玩：

先让图像模型给视觉方向
再让 GPT-5.5 还原交互和代码
最后人工收口细节

我试下来也有类似感觉

GPT-5.5 对“看起来像一个真实产品”这件事更敏感了。它会注意留白、卡片密度、图标按钮、状态提示这些小东西

当然，如果你完全不给设计约束，它也会偶尔走回老路。所以前端提示词里，还是建议明确说清楚：目标用户、产品类型、信息密度、交互状态、移动端适配

写作：它真的更会说人话

这次最让我意外的，其实是写作

很多模型写中文，有一种很微妙的“正确废话感”

每句话都没错，每段都很完整，读完什么也没留下

GPT-5.5 这个问题好了一些

它更愿意直接进入重点，句子也没那么端着。写消息、邮件、帖子、小段文案时，它更容易贴近人的表达习惯

我看到一段网友日常使用后的评价，说得挺准：

❝GPT-5.5 感觉更直接、更专注，也更能理解我真正想问什么

这句话我认可

尤其是“更直接”

AI 时代，模型越来越聪明之后，真正稀缺的反倒是克制。别动不动就写小论文，别每次都强行平衡观点，别把一句人话翻译成三段企业公文

这也是为什么我把标题写成：会说人话了

Claude 这边也很热闹

先生，你刚刚被 GPT 5.5 击败了

先生，你刚刚被 GPT 5.5 击败了

这两天还有一个很有意思的小插曲

Anthropic 官方发了一篇复盘，解释最近 Claude Code 质量波动的问题

重点有三个：

• 3 月 4 日，Claude Code 的默认 reasoning effort 从 high 调成了 medium，目的是降低延迟，但用户明显感到变笨；4 月 7 日撤回
• 3 月 26 日，一个缓存优化 bug 导致旧 thinking 在部分会话里持续丢失，模型会显得健忘、重复、工具选择奇怪；4 月 10 日修复
• 4 月 16 日，一个减少 verbosity 的系统提示影响了编码质量；4 月 20 日撤回

这个复盘很真诚，也很有参考价值

大模型产品现在已经复杂到一个程度：能力不只来自模型本体，还来自默认参数、系统提示、上下文管理、工具调用、缓存策略、产品 UI

所以你感觉一个模型“突然变笨”，有时候真未必是幻觉

更有意思的是，这个复盘刚好在 GPT-5.5 发布当天出来

时间点过于微妙

商战，精彩

我的使用建议

如果你问 GPT-5.5 值不值得用，我的建议是：

值得，但别把它当万能药

适合用 GPT-5.5 的场景：

• 大型项目里的复杂代码修改
• 多文件重构、调试、补测试
• 需要跨工具完成的资料整理
• 长文档阅读、归纳、改写
• 前端原型实现
• 有明确目标的科研/数据分析辅助

暂时没必要用 GPT-5.5 的场景：

• 简单问答
• 日常翻译
• 普通摘要
• 几十行以内的小脚本
• 低价值批量生成内容

原因也很现实：它贵

贵模型要干贵活

One More Thing

文末放个彩蛋

菜单公布：本文由 GPT-5.5 辅助撰写，我做了些许修改

你看出来了吗？

#GPT55 #OpenAI #Codex #AI编程 #ClaudeCode

如果这篇文章觉得对你有用，可否点个关注。给我个三连击：点赞、转发和在看。若可以再给我加个🌟，谢谢你看我的文章，我们下篇再见！