GPT 5.5发布，一雪前耻还是再度翻车？
- 内容介绍
- 文章标签
- 相关推荐
叠甲：本帖子不含xxxxxx和某企业关联的新闻，请放心阅读，如有错误请理性讨论并指出，如果你不想看这个帖子点击右上角关掉浏览器（macOS为左上角），请不要恶意举报
ChatGPT 5.5发布
OpenAI在4月23日发布了ChatGPT 5.5模型，Terminal Bench 2.0和CyberGym表现出色，前端质量也有很大改善
image2278×1056 167 KB
为啥没有SWE Bench Pro？报喜不报忧呗。
如下是GPT 5.5 vs GPT 5.4 vs Claude Opus 4.6 vs GLM 5.1 VS Kimi 2.6的榜单
Opus 4.7暂不列出
编码类
| Benchmark | GPT-5.5 | GPT-5.4 | Claude Opus 4.6 | GLM-5.1 | Kimi K2.6 | 领先 |
|---|---|---|---|---|---|---|
| SWE-Bench Pro | 58.6 | 57.7 | 53.4–57.3 | 58.4 | 58.6 | GPT-5.5 / Kimi K2.6 并列 |
| Terminal-Bench 2.0 | 82.7 | 75.1 / 65.4 | 65.4 | 63.5 | 66.7 | GPT-5.5 |
| Expert-SWE Internal | 73.1 | 68.5 | — | — | — | GPT-5.5 |
| SWE-Bench Multilingual | — | — | 77.8 | — | 76.7 | Claude Opus 4.6 |
| SWE-Bench Verified | — | — | 80.8 | — | 80.2 | Claude Opus 4.6 |
| SciCode | — | 56.6 | 51.9 | — | 52.2 | GPT-5.4 |
| OJBench Python | — | — | 60.3 | — | 60.6 | Kimi K2.6 |
| LiveCodeBench v6 | — | — | 88.8 | — | 89.6 | Kimi K2.6 |
Agent工作
| Benchmark | GPT-5.5 | GPT-5.4 | Claude Opus 4.6 | GLM-5.1 | Kimi K2.6 | 领先 |
|---|---|---|---|---|---|---|
| HLE-Full w/ tools | 52.2 | 52.1 | 53.0 / 53.1 | 52.3 | 54.0 | Kimi K2.6 |
| BrowseComp | 84.4 | 82.7 | 83.7 / 84.0 | 68.0 / 79.3 w context | 83.2 | GPT-5.5 |
| BrowseComp Agent Swarm | — | — | — | — | 86.3 | Kimi K2.6 |
| DeepSearchQA F1 | — | 78.6 | 91.3 | — | 92.5 | Kimi K2.6 |
| DeepSearchQA Accuracy | — | 63.7 | 80.6 | — | 83.0 | Kimi K2.6 |
| Toolathlon / Tool-Decathlon | 55.6 | 54.6 | 47.2 | 40.7 | 50.0 | GPT-5.5 |
| MCP Atlas / MCPMark | 75.3 | 70.6 / 62.5 | 56.7 / — | 71.8 | 55.9 | GPT-5.5 on OpenAI MCP Atlas |
| OSWorld-Verified | 78.7 | 75.0 | 72.7 | — | 73.1 | GPT-5.5 |
| Tau2-bench Telecom | 98.0 | 92.8 | — | — | — | GPT-5.5 |
从上面榜单可以看出，GPT 5.5也不是可以到平替Opus的级别吧。
实测：复刻Gmail页面，没有使用提示词工程，效果很可以，相比于上一代GPT 5.4有大幅提升（前端）
image3104×1836 477 KB
--【壹】--：
叠甲：本帖子不含xxxxxx和某企业关联的新闻，请放心阅读，如有错误请理性讨论并指出，如果你不想看这个帖子点击右上角关掉浏览器（macOS为左上角），请不要恶意举报
ChatGPT 5.5发布
OpenAI在4月23日发布了ChatGPT 5.5模型，Terminal Bench 2.0和CyberGym表现出色，前端质量也有很大改善
image2278×1056 167 KB
为啥没有SWE Bench Pro？报喜不报忧呗。
如下是GPT 5.5 vs GPT 5.4 vs Claude Opus 4.6 vs GLM 5.1 VS Kimi 2.6的榜单
Opus 4.7暂不列出
编码类
| Benchmark | GPT-5.5 | GPT-5.4 | Claude Opus 4.6 | GLM-5.1 | Kimi K2.6 | 领先 |
|---|---|---|---|---|---|---|
| SWE-Bench Pro | 58.6 | 57.7 | 53.4–57.3 | 58.4 | 58.6 | GPT-5.5 / Kimi K2.6 并列 |
| Terminal-Bench 2.0 | 82.7 | 75.1 / 65.4 | 65.4 | 63.5 | 66.7 | GPT-5.5 |
| Expert-SWE Internal | 73.1 | 68.5 | — | — | — | GPT-5.5 |
| SWE-Bench Multilingual | — | — | 77.8 | — | 76.7 | Claude Opus 4.6 |
| SWE-Bench Verified | — | — | 80.8 | — | 80.2 | Claude Opus 4.6 |
| SciCode | — | 56.6 | 51.9 | — | 52.2 | GPT-5.4 |
| OJBench Python | — | — | 60.3 | — | 60.6 | Kimi K2.6 |
| LiveCodeBench v6 | — | — | 88.8 | — | 89.6 | Kimi K2.6 |
Agent工作
| Benchmark | GPT-5.5 | GPT-5.4 | Claude Opus 4.6 | GLM-5.1 | Kimi K2.6 | 领先 |
|---|---|---|---|---|---|---|
| HLE-Full w/ tools | 52.2 | 52.1 | 53.0 / 53.1 | 52.3 | 54.0 | Kimi K2.6 |
| BrowseComp | 84.4 | 82.7 | 83.7 / 84.0 | 68.0 / 79.3 w context | 83.2 | GPT-5.5 |
| BrowseComp Agent Swarm | — | — | — | — | 86.3 | Kimi K2.6 |
| DeepSearchQA F1 | — | 78.6 | 91.3 | — | 92.5 | Kimi K2.6 |
| DeepSearchQA Accuracy | — | 63.7 | 80.6 | — | 83.0 | Kimi K2.6 |
| Toolathlon / Tool-Decathlon | 55.6 | 54.6 | 47.2 | 40.7 | 50.0 | GPT-5.5 |
| MCP Atlas / MCPMark | 75.3 | 70.6 / 62.5 | 56.7 / — | 71.8 | 55.9 | GPT-5.5 on OpenAI MCP Atlas |
| OSWorld-Verified | 78.7 | 75.0 | 72.7 | — | 73.1 | GPT-5.5 |
| Tau2-bench Telecom | 98.0 | 92.8 | — | — | — | GPT-5.5 |
从上面榜单可以看出，GPT 5.5也不是可以到平替Opus的级别吧。
实测：复刻Gmail页面，没有使用提示词工程，效果很可以，相比于上一代GPT 5.4有大幅提升（前端）
image3104×1836 477 KB
叠甲：本帖子不含xxxxxx和某企业关联的新闻，请放心阅读，如有错误请理性讨论并指出，如果你不想看这个帖子点击右上角关掉浏览器（macOS为左上角），请不要恶意举报
ChatGPT 5.5发布
OpenAI在4月23日发布了ChatGPT 5.5模型，Terminal Bench 2.0和CyberGym表现出色，前端质量也有很大改善
image2278×1056 167 KB
为啥没有SWE Bench Pro？报喜不报忧呗。
如下是GPT 5.5 vs GPT 5.4 vs Claude Opus 4.6 vs GLM 5.1 VS Kimi 2.6的榜单
Opus 4.7暂不列出
编码类
| Benchmark | GPT-5.5 | GPT-5.4 | Claude Opus 4.6 | GLM-5.1 | Kimi K2.6 | 领先 |
|---|---|---|---|---|---|---|
| SWE-Bench Pro | 58.6 | 57.7 | 53.4–57.3 | 58.4 | 58.6 | GPT-5.5 / Kimi K2.6 并列 |
| Terminal-Bench 2.0 | 82.7 | 75.1 / 65.4 | 65.4 | 63.5 | 66.7 | GPT-5.5 |
| Expert-SWE Internal | 73.1 | 68.5 | — | — | — | GPT-5.5 |
| SWE-Bench Multilingual | — | — | 77.8 | — | 76.7 | Claude Opus 4.6 |
| SWE-Bench Verified | — | — | 80.8 | — | 80.2 | Claude Opus 4.6 |
| SciCode | — | 56.6 | 51.9 | — | 52.2 | GPT-5.4 |
| OJBench Python | — | — | 60.3 | — | 60.6 | Kimi K2.6 |
| LiveCodeBench v6 | — | — | 88.8 | — | 89.6 | Kimi K2.6 |
Agent工作
| Benchmark | GPT-5.5 | GPT-5.4 | Claude Opus 4.6 | GLM-5.1 | Kimi K2.6 | 领先 |
|---|---|---|---|---|---|---|
| HLE-Full w/ tools | 52.2 | 52.1 | 53.0 / 53.1 | 52.3 | 54.0 | Kimi K2.6 |
| BrowseComp | 84.4 | 82.7 | 83.7 / 84.0 | 68.0 / 79.3 w context | 83.2 | GPT-5.5 |
| BrowseComp Agent Swarm | — | — | — | — | 86.3 | Kimi K2.6 |
| DeepSearchQA F1 | — | 78.6 | 91.3 | — | 92.5 | Kimi K2.6 |
| DeepSearchQA Accuracy | — | 63.7 | 80.6 | — | 83.0 | Kimi K2.6 |
| Toolathlon / Tool-Decathlon | 55.6 | 54.6 | 47.2 | 40.7 | 50.0 | GPT-5.5 |
| MCP Atlas / MCPMark | 75.3 | 70.6 / 62.5 | 56.7 / — | 71.8 | 55.9 | GPT-5.5 on OpenAI MCP Atlas |
| OSWorld-Verified | 78.7 | 75.0 | 72.7 | — | 73.1 | GPT-5.5 |
| Tau2-bench Telecom | 98.0 | 92.8 | — | — | — | GPT-5.5 |
从上面榜单可以看出，GPT 5.5也不是可以到平替Opus的级别吧。
实测：复刻Gmail页面，没有使用提示词工程，效果很可以，相比于上一代GPT 5.4有大幅提升（前端）
image3104×1836 477 KB
--【壹】--：
叠甲：本帖子不含xxxxxx和某企业关联的新闻，请放心阅读，如有错误请理性讨论并指出，如果你不想看这个帖子点击右上角关掉浏览器（macOS为左上角），请不要恶意举报
ChatGPT 5.5发布
OpenAI在4月23日发布了ChatGPT 5.5模型，Terminal Bench 2.0和CyberGym表现出色，前端质量也有很大改善
image2278×1056 167 KB
为啥没有SWE Bench Pro？报喜不报忧呗。
如下是GPT 5.5 vs GPT 5.4 vs Claude Opus 4.6 vs GLM 5.1 VS Kimi 2.6的榜单
Opus 4.7暂不列出
编码类
| Benchmark | GPT-5.5 | GPT-5.4 | Claude Opus 4.6 | GLM-5.1 | Kimi K2.6 | 领先 |
|---|---|---|---|---|---|---|
| SWE-Bench Pro | 58.6 | 57.7 | 53.4–57.3 | 58.4 | 58.6 | GPT-5.5 / Kimi K2.6 并列 |
| Terminal-Bench 2.0 | 82.7 | 75.1 / 65.4 | 65.4 | 63.5 | 66.7 | GPT-5.5 |
| Expert-SWE Internal | 73.1 | 68.5 | — | — | — | GPT-5.5 |
| SWE-Bench Multilingual | — | — | 77.8 | — | 76.7 | Claude Opus 4.6 |
| SWE-Bench Verified | — | — | 80.8 | — | 80.2 | Claude Opus 4.6 |
| SciCode | — | 56.6 | 51.9 | — | 52.2 | GPT-5.4 |
| OJBench Python | — | — | 60.3 | — | 60.6 | Kimi K2.6 |
| LiveCodeBench v6 | — | — | 88.8 | — | 89.6 | Kimi K2.6 |
Agent工作
| Benchmark | GPT-5.5 | GPT-5.4 | Claude Opus 4.6 | GLM-5.1 | Kimi K2.6 | 领先 |
|---|---|---|---|---|---|---|
| HLE-Full w/ tools | 52.2 | 52.1 | 53.0 / 53.1 | 52.3 | 54.0 | Kimi K2.6 |
| BrowseComp | 84.4 | 82.7 | 83.7 / 84.0 | 68.0 / 79.3 w context | 83.2 | GPT-5.5 |
| BrowseComp Agent Swarm | — | — | — | — | 86.3 | Kimi K2.6 |
| DeepSearchQA F1 | — | 78.6 | 91.3 | — | 92.5 | Kimi K2.6 |
| DeepSearchQA Accuracy | — | 63.7 | 80.6 | — | 83.0 | Kimi K2.6 |
| Toolathlon / Tool-Decathlon | 55.6 | 54.6 | 47.2 | 40.7 | 50.0 | GPT-5.5 |
| MCP Atlas / MCPMark | 75.3 | 70.6 / 62.5 | 56.7 / — | 71.8 | 55.9 | GPT-5.5 on OpenAI MCP Atlas |
| OSWorld-Verified | 78.7 | 75.0 | 72.7 | — | 73.1 | GPT-5.5 |
| Tau2-bench Telecom | 98.0 | 92.8 | — | — | — | GPT-5.5 |
从上面榜单可以看出，GPT 5.5也不是可以到平替Opus的级别吧。
实测：复刻Gmail页面，没有使用提示词工程，效果很可以，相比于上一代GPT 5.4有大幅提升（前端）
image3104×1836 477 KB