OpenAI 发布 GPT-5.5：编程推理大提速，SWE-Bench Pro 拿下 58.6%

以前让 AI 写代码，最怕的是它虽然写得快，但你得亦步亦趋盯着，稍微给它一个复杂的多步骤任务，它转头就给你改出三个新 Bug。

OpenAI 刚发布了新一代旗舰模型 GPT-5.5，不仅把它塞进了 ChatGPT 和 Codex，还在 4 月 24 日火速上线了 API。距上个月推出 GPT-5.4 还不到几周，OpenAI 就给出了一个核心主张：不用再手把手指挥每一步，甩给它一堆混乱凌乱的任务，它自己能规划、调用工具、查错并持续推进。

效率翻倍：更聪明，但花的 Token 减半

大模型往往有个通病：越聪明就越慢、越贵。这次 GPT-5.5 比较反常，它在真实服务中的每 Token 延迟追平了 GPT-5.4，没有因为变聪明而变慢。

更实在的是用量变少了。在 Codex 任务中，它解决同样的问题所消耗的 Token 大幅减少，重试次数也更少。按 Artificial Analysis 编程指数的数据，GPT-5.5 达到了顶尖水平，而成本只有同类前沿编程模型的一半。

跑分上它也全面拉满：在考验复杂命令行工作流的 Terminal-Bench 2.0 上拿到了 82.7%，在真实 GitHub 修复测试 SWE-Bench Pro 上达到了 58.6%，单次通过率大幅刷新。OpenAI 内部估计人类中位数需要 20 小时的长周期编程测试 Expert-SWE，GPT-5.5 也超过了 GPT-5.4。

业内测试给出的反馈更直接。Every 创始人 Dan Shipper 说这是他第一个觉得具有「严肃概念清晰度」的编程模型，它重写复杂故障代码的方案竟然与资深工程师最终确定的完全一致。MagicPath 首席执行官 Pietro Schirano 透露，模型一次性用约 20 分钟合入了一个涉及数百处前端重构改动的分支。甚至一位参与内测的 NVIDIA 工程师调侃称，失去 GPT-5.5 的访问权限「就像被截肢了一样」。

走出代码编辑器，接管日常电脑操作

除了写代码，OpenAI 显然想让它变成一个能操作电脑的综合 Agent。在评测中，针对跨 44 种职业知识工作的 GDPval 它拿下了 84.9%，衡量独立操作真实电脑环境的 OSWorld-Verified 达到 78.7%，电信客服工作流 Tau2-bench 更是无提示微调直接飙到 98.0%。

据 OpenAI 透露，公司内部超过 85% 的员工每周都在用 Codex。比如财务团队靠它审查了 24771 份、共计 71637 页的 K-1 税务表格，把进度直接提速两周；公关团队拿它分析了半年的演讲申请数据，甚至在 Slack 里跑起自动分流 Agent。

在科研上，它还跑通了基因组学评估 GeneBench 以及生物信息学测试 BixBench，能自己处理隐藏的混杂因素并调用统计学工具，处理相当于专家数天工作量的复杂研究任务。

目前 GPT-5.5 已经向 ChatGPT Plus、Pro、Business 和 Enterprise 用户开放，GPT-5.5 Pro 也推给了 Pro 及企业级用户，API 也在 4 月 24 日正式跟进。

为什么重要

对开发者和企业打工人来说，GPT-5.5 最关键的价值不是分数变高，而是它终于有了「少犯蠢」的能力。以前跑复杂的 Agentic 工作流，很多时候不是模型不会写，而是在上下文长了之后把原本正常跑通的逻辑改崩，或者不断陷入无效重试，导致 API 账单飞涨。GPT-5.5 用更少 Token 完成任务并且单次过，意味着企业部署 Agent 的边际成本大幅下降，现在就很值得拿真实的复杂项目去测一测。

行业竞争维度上，据 The Verge 报道，这显然是 OpenAI 迎战 Anthropic 的正面出击。Anthropic 前脚刚推出 Claude Opus 4.7 和专注于网络安全的 Mythos Preview，OpenAI 随即拿出 GPT-5.5，并强调在推理和自主性上领先 Claude Opus 4.7。在两家公司今年都面临潜在 IPO 预期的背景下，谁能稳占企业级生产力和开发者第一入口，就直接决定了商业变现的底气。

我们认为，OpenAI 这次最聪明的做法，是不再只拼参数规模和单次输出的惊艳感，而是把刀口对准了真实工作流中的「连贯性」和「经济性」。但潜在隐患也摆在眼前：从 OSWorld-Verified 的 78.7% 来看，让 AI 完全自主接管电脑操作依然有两成以上的翻车概率。当越来越多没有容错空间的企业财务、高风险事务交给它去执行时，如何划定人机协作的边界，依然是悬在所有企业头上的问号。