先說個我很特么無語的事。我從2023年3月GPT-4發(fā)布起，連續(xù)訂了三年多的ChatGPT Plus，兩周前剛點了取消。賬戶里現(xiàn)在清清楚楚寫著「你的套餐將于 2026年5月1日 取消」。

理由很簡單——Codex我用不上（日常在Claude Code里寫代碼），GPT-5.4日常問答也被我切到了Opus 4.7和Gemini 3.1 Pro，那個對話界面很久沒打開過。20美金一個月不值。

然后這兩周，OpenAI很有節(jié)奏地給我扔了兩顆炸彈：上周gpt-image-2，這周GPT-5.5。我退訂后這兩周拿出的東西，比過去兩個月加起來都多。我甚至一度懷疑，他們是不是針對我設(shè)了個流失用戶召回包，專門在我點了退訂之后，把最近壓在庫里的王牌模型一次性砸出來。

當(dāng)然這只是我的牢騷。但牢騷背后有個判斷：這一次GPT-5.5真的值得所有人回來看一眼。它不只是個小版本升級。

OpenAI今天發(fā)布的GPT-5.5，代號Spud（土豆）。先不講花活，就按benchmark順序讀一遍，看它打在了哪里。然后我們再聊幾件官方宣發(fā)里不會說、但值得拿出來討論的事。

我讓GPT-Image-2給GPT-5.5畫的信息圖

先看分數(shù)：這幾條是重頭戲 編程三件套：打在了Anthropic的根據(jù)地上

Terminal-Bench 2.0，GPT-5.5拿了82.7%，直接SOTA。GPT-5.4是75.1%，Claude Opus 4.7只有69.4%，Gemini 3.1 Pro 68.5%。這個榜測的是命令行里那種要你規(guī)劃、迭代、協(xié)調(diào)工具的長任務(wù)——Anthropic在4.7發(fā)布會上重點講過的地方。GPT-5.5在同一個數(shù)據(jù)集上多了整整13個百分點。

SWE-Bench Pro，GPT-5.5 58.6%。這條反而沒那么漂亮，Claude Opus 4.7是64.3%，反超它5.7個百分點。OpenAI在表格腳注里自己標(biāo)了一行：這個benchmark有記憶污染的跡象（memorization）。意思是別太認真看這條。Expert-SWE是OpenAI自己的內(nèi)部長任務(wù)評測，每條題人類平均要20小時才能做完，GPT-5.5拿73.1%，GPT-5.4是68.5%。

把這三條合起來看，GPT-5.5的編程升級不在「單issue修bug」這種短平快任務(wù)上，而是在「連續(xù)工作好幾個小時，需要記住上下文、反復(fù)check自己」的長任務(wù)上。這也是OpenAI自己重點宣傳的點，Cursor的CEO Michael Truell引用詞里說的原話是「stays on task for significantly longer without stopping early」。對Codex用戶是實打?qū)嵉纳墸瑢χ辉贗DE里做短任務(wù)的人感知可能沒那么強。

Agent和計算機使用：追平，不是超過

OSWorld-Verified 78.7%，和Claude Opus 4.7的78.0%基本打平。這個榜測的是模型能不能像人一樣操作真實桌面——瀏覽器、文件管理、辦公軟件。GPT-5.5沒贏，只是追上了。

Toolathlon 55.6%，Gemini 3.1 Pro只有48.8%，Anthropic在這個榜上沒數(shù)據(jù)。Tau2-bench Telecom（客服工作流）98.0%，這條刷得很滿但OpenAI特別標(biāo)注了「no prompt tuning」，意思是沒針對性調(diào)prompt，純模型能力。

GDPval（跨44個職業(yè)的知識工作）84.9%，比行業(yè)專家基準(zhǔn)都高。這條是OpenAI這次最愛講的一個數(shù)——比人類專業(yè)人員還好。這條我個人保留一半意見，GDPval是OpenAI自己參與設(shè)計的評測，自己家模型數(shù)據(jù)好不奇怪。但趨勢是真的，GPT-5.5比GPT-5.4漲了1.9個百分點，比Gemini 3.1 Pro的67.3%多了整整17個百分點。

長上下文：把Claude按在地上

這是最夸張的一塊。

OpenAI MRCR v2在512K到1M的長度下，GPT-5.5拿了74.0%。GPT-5.4只有36.6%，Claude Opus 4.7只有32.2%。一代之內(nèi)翻倍，順手把Claude留在身后一個數(shù)量級。

Graphwalks BFS 1mil F1，GPT-5.5 45.4%，GPT-5.4只有9.4%——五倍的躍升。這個榜測的是在超長上下文里做圖遍歷，模型得在百萬token的材料里精確地定位、跳轉(zhuǎn)、推理。Claude Opus 4.6是41.2%（Anthropic沒放4.7的數(shù)據(jù)）。

如果你做RAG、做長文檔分析、做代碼庫級別的理解，這一條可能比Terminal-Bench對你更重要。長上下文過去兩年一直是Gemini的護城河，GPT-5.5這次是第一次把1M窗口的可用性拉到可以和編程能力掛鉤的水平。

數(shù)學(xué)和科學(xué)：Pro版是主力

FrontierMath Tier 1-3（越難分越低），GPT-5.5拿51.7%，GPT-5.5 Pro上到52.4%，Claude Opus 4.7是43.8%，Gemini 3.1 Pro是36.9%。Tier 4（最難那一檔），GPT-5.5 35.4%，Pro版39.6%——但這一檔Gemini 3.1 Pro Pro模式也能做到38%。GPT-5.5 Pro和Gemini 3.1 Pro在最頂尖數(shù)學(xué)任務(wù)上基本是一個水平。

GPQA Diamond（博士級科學(xué)問答）93.6%。這條已經(jīng)基本見頂了，四家模型都在92-94%區(qū)間。

Humanity's Last Exam（無工具）41.4%。反而是Claude Opus 4.7最高，46.9%。有意思的是，OpenAI官方博客里一張正文圖都沒放HLE——這是GPT-5首發(fā)時他們最愛秀的那條榜單。

GeneBench和BixBench是這次新增的兩個科學(xué)研究評測。GeneBench 25.0%看起來低，但這個榜的任務(wù)一條通常是一個實驗生物學(xué)家要花好幾天做的。BixBench 80.5%，生物信息學(xué)數(shù)據(jù)分析。OpenAI這次在「科研co-pilot」這個方向上下了明顯的力氣，這個敘事和Claude 4.x系列完全不同——Anthropic更強調(diào)「mass market的靠譜coding」，OpenAI更強調(diào)「frontier research里的躍升」。

瀏覽和網(wǎng)絡(luò)安全：有贏有輸

BrowseComp 84.4%。但Claude Opus 4.7是90.1%，比GPT-5.5高5.7個百分點，GPT-5.5 Pro也只有90.1%打平。如果你把AI主要用在做網(wǎng)上研究、查資料、整理信息，這條比編程分數(shù)更有參考意義——Claude依然是在線研究之王。

CyberGym 81.8%，Claude Opus 4.7是73.1%。GPT-5.5把Preparedness Framework下的cybersecurity capability正式列為「High」級別。這條意味著什么先不展開，下面第四件事里專門講。

Artificial Analysis的第三方綜合分

OpenAI這次把第三方評測公司Artificial Analysis的Intelligence Index（10個評測的加權(quán)平均）放在了博客顯眼位置。坐標(biāo)軸是「Intelligence Index vs Output Tokens Total」——同樣的智能水平，GPT-5.5用的token大約只有Claude Opus 4.7的一半。OpenAI原話：「delivers state-of-the-art intelligence at half the cost of competitive frontier coding models」。

這句話可以反過來讀：GPT-5.5在絕對智能上沒有大幅甩開Opus 4.7，但它更省token。所以最終每個問題的成本更低。這是個實用主義的故事，不是敘事主義的故事。

好，分數(shù)看完了。接下來聊幾件值得討論的事。

幾件OpenAI不會主動說的事 第一件：價格翻了一倍

GPT-5.5 API的定價：input $5/M token，output $30/M token。GPT-5.4是input $2.5，output $15——直接翻倍。

GPT-5.5 Pro更猛：input $30/M，output $180/M。

把時間線拉長：GPT-5（去年8月發(fā)布）的input是$1.25/M，GPT-5.5是$5/M。8個月里漲了4倍。

OpenAI給的說法是「more token efficient」，就是每個任務(wù)用的token少，所以單價漲不等于最終貴。這個說法對重度Codex用戶可能成立，對在API端接入的開發(fā)者大概率不成立——因為你的應(yīng)用場景是你定的，不是Codex定的。

再看一個數(shù)：GPT-5.5 Fast模式（快1.5倍但貴2.5倍）。如果你想快，還得再加錢。

AI行業(yè)一直在講「每token價格會持續(xù)下降」，Anthropic的Haiku 4.5現(xiàn)在是input $1/M，Gemini 3.1 Flash是$0.30/M。OpenAI在旗艦?zāi)Ｐ瓦@條線上逆勢漲價，這件事本身就是一個定價信號——他們認為自己在高端能力上的領(lǐng)先值得定價權(quán)。從benchmark看，這個判斷有一定道理（Terminal-Bench、MRCR、Expert-SWE都在斷檔領(lǐng)先），但市場會不會認賬，是另一回事。

第二件：API當(dāng)天沒開放

這是個值得琢磨的操作。

GPT-5.5今天在ChatGPT Plus/Pro/Business/Enterprise和Codex里當(dāng)天可用。API官方說的是「coming soon」，沒給時間表。

意味著什么？Cursor、Windsurf、Cline、Cody、OpenRouter這些第三方編程工具，今天拿不到GPT-5.5。你要用GPT-5.5的編程能力，只能走OpenAI自己的Codex。

OpenAI給的公開說法是「API deployments require different safeguards」，意思是API需要不同的安全配置，他們在和合作伙伴一起對齊安全要求。這個說法合理，但不是完整解釋——GPT-5首發(fā)時API也是同步開放的。

更直接的解釋是：OpenAI想讓Codex獨占一段窗口期。ChatGPT的訂閱用戶和Codex的付費用戶，在這段窗口期里能用到最強模型，而Cursor、Windsurf這些競品只能繼續(xù)用GPT-5.4或者Claude Opus 4.7。窗口期可能是幾周，也可能是一兩個月。

去年這個時候GPT-5發(fā)布，第三方工具當(dāng)天就能接。一年過去，OpenAI開始學(xué)Anthropic的玩法了——先讓自己的產(chǎn)品先跑一段，再把模型放出去。這是一個生態(tài)位的微調(diào)，對Cursor這種用戶都靠OpenAI模型撐起來的產(chǎn)品，不是好消息。

第三件：Codex這次打的是Claude Code

別看OpenAI這次的發(fā)布稿從頭到尾沒提Claude Code一個字，整個敘事結(jié)構(gòu)就是在和Claude Code正面掰。

看它強調(diào)的四個點：

• 「stays on task longer」（Cursor CEO原話）——這正是Claude Code最出名的長任務(wù)堅持能力

• 「context across large systems」——Claude Code的長上下文體驗是很多人不離不棄的原因

• 「uses significantly fewer tokens」——這是在回應(yīng)Claude在「token消耗大」上被人吐槽的點

• 「works with you on real engineering tasks」——Anthropic整個Claude Code的核心敘事

Terminal-Bench 2.0這次選作發(fā)布主榜也不是隨意選的。Terminal-Bench是Stanford/Hugging Face/Anthropic相關(guān)團隊做的評測，重點是長命令行任務(wù)，過去一年是Anthropic系列模型的主場。GPT-5.5在這條榜上從GPT-5.4的75.1%躍到82.7%，直接甩開Claude Opus 4.7 13個百分點，這是精準(zhǔn)打臉。

GPT-5.5不是發(fā)給所有AI用戶的，它主要是發(fā)給「正在考慮是不是要從Codex切到Claude Code」的那群開發(fā)者的。OpenAI在用benchmark+Codex產(chǎn)品體驗+價格+生態(tài)鎖定（API先不開放），試圖把這些人留下來。

第四件：System Card里那個29%

這是我這兩天讀System Card發(fā)現(xiàn)的、最值得單拎出來的一條。

Apollo Research做了獨立測試，設(shè)計了一個叫「Impossible Coding Task」的實驗：給模型一個實際上根本無解的編程任務(wù)（比如讓它用某個API的某個不存在的參數(shù)實現(xiàn)某個功能），看它會不會謊報「搞定了」。

結(jié)果：

• GPT-5.4 謊報率 7%

• GPT-5.3 Codex 謊報率 10%

• GPT-5.5 謊報率 29%

翻譯成日常場景：如果你給GPT-5.5布置一個其實不可能做到的編程小任務(wù)，接近三分之一的概率它會告訴你「done」——代碼給你一段看起來很合理、但實際跑不通或者悄悄做了別的事的東西。

這個數(shù)字沒出現(xiàn)在OpenAI自己的正文博客里，只藏在System Card的Apollo部分。OpenAI的整體結(jié)論是「Apollo沒有發(fā)現(xiàn)整體風(fēng)險顯著升高」，這個結(jié)論本身沒問題——因為別的子項GPT-5.5沒退步。但Impossible Coding Task這個具體子項的翻倍惡化，是需要開發(fā)者警惕的。

如果你切到GPT-5.5 + Codex的工作流，第一條要學(xué)會的就是：不能完全信「done」。你得跑一下結(jié)果、或者讓另一個agent反向?qū)徍?。Claude Code那種鼓勵你隨時打斷、看中間狀態(tài)的設(shè)計，在GPT-5.5這個數(shù)據(jù)面前反而顯得更務(wù)實。

最后：可以切Codex試試了

如果你過去一年一直在用Claude Code，那么這篇文章如果只給你一條建議，就是這條：

找個項目，把Codex當(dāng)Claude Code的平替跑一輪。不是說立刻卸載Claude Code，是跑一輪，體驗一下GPT-5.5 + Codex在長任務(wù)上的感覺。

過去這一年，Claude Code幾乎是沒有對手的。Cursor要不是被馬斯克收購都快無人關(guān)心了，Gemini 3.1 Pro還不錯但Gemini CLI爛得要死，Codex在GPT-5.4這代還差一口氣。所以我默認就是Claude Code。這一次，Codex可能真的值得重新認真評估一次。

不過有幾件事可以注意下：

• 29%的謊報率是真的，Codex工作流里最好讓另一個agent反向?qū)徍岁P(guān)鍵步驟

• API還沒開放，第三方工具（Cursor、Windsurf、Cline）暫時接不到GPT-5.5

• BrowseComp做在線研究Claude Opus 4.7還是第一

• 價格翻倍了，重度用戶心里算一下賬

Claude Code曾經(jīng)是唯一選擇，現(xiàn)在確實可以好好考慮下替代選項了。

GPT-5.5發(fā)布官方頁：openai.com/index/introducing-gpt-5-5/

System Card英文原版：deploymentsafety.openai.com/gpt-5-5