GPT-5.5
OpenAI· 2026-04-23 上线
综合第 11 名
57.2
编程
58.5第 9 名
科研
58.9第 16 名
专业办公
52.6第 16 名
知识问答
57.3第 16 名
- 评测覆盖
- 22 / 25 项 · 88%
- 缓存输入
- ¥3.36
- 输入
- ¥33.63
- 输出
- ¥201.76
价格：人民币 / 百万 Token。
编程
| 评测 | 原始成绩 | 标准分 | 最好成绩的档位 | 比较模型数 |
|---|---|---|---|---|
| SWE-bench Verified | 80.6% | 60.8 | xhigh | 22 |
| Terminal-Bench | 84.7% | 65.8 | 未注明 | 29 |
| DeepSWE | 67.0% | 56.3 | xhigh | 26 |
| FrontierCode | 43.0% | 54.5 | 未注明 | 46 |
| WebDev Arena | 1,510 | 52.3 | xhigh | 96 |
| ALE-Bench | 1,943 | 64.6 | xhigh | 88 |
| WeirdML | 84.9% | 64.3 | xhigh | 60 |
| GSO | 40.2% | 49.0 | xhigh | 16 |
科研
| 评测 | 原始成绩 | 标准分 | 最好成绩的档位 | 比较模型数 |
|---|---|---|---|---|
| FrontierMath（1–3 级） | 85.3% | 61.3 | xhigh | 66 |
| FrontierMath（4 级） | 72.5% | 61.0 | xhigh | 57 |
| CritPt | 27.1% | 64.1 | xhigh | 101 |
| ProofBench | 50.0% | 52.6 | xhigh | 77 |
| OTIS Mock AIME | 100.0% | 56.5 | xhigh | 87 |
| SciCode | 56.1% | 58.1 | high | 97 |
专业办公
| 评测 | 原始成绩 | 标准分 | 最好成绩的档位 | 比较模型数 |
|---|---|---|---|---|
| APEX-Agents | 55.1% | 53.4 | 未注明 | 49 |
| Remote Labor Index | 6.3% | 45.5 | 未注明 | 12 |
| OSWorld 2.0 | 13.0% | 48.3 | xhigh | 9 |
| Vending-Bench 2 | $7,524 | 55.1 | 未注明 | 55 |
| DeepResearch Bench | 54.0% | 60.9 | high | 14 |
知识问答
| 评测 | 原始成绩 | 标准分 | 最好成绩的档位 | 比较模型数 |
|---|---|---|---|---|
| SimpleQA Verified | 63.0% | 59.8 | xhigh | 65 |
| GPQA Diamond | 94.0% | 55.7 | xhigh | 84 |
| SimpleBench | 69.0% | 56.4 | 未注明 | 39 |
仅展示（不计分）
这些评测测的能力不在四个领域里，或者我们还没把握归到哪个领域。
| 评测 | 原始成绩 | 标准分 | 最好成绩的档位 | 比较模型数 |
|---|---|---|---|---|
| ARC-AGI-2 | 85.0% | 不计分 | xhigh | 52 |
| ARC-AGI | 95.0% | 不计分 | xhigh | 52 |
| 国际象棋谜题 | 63.0% | 不计分 | xhigh | 88 |
原始成绩取这个模型各个推理档位（xhigh、未注明、high、medium、low、none）和各种评测配置里最好的一次；标准分 = 50 + 10 × （成绩 − 平均）÷ 标准差，在近 12 个月上线的模型里比较。「不计分」是这项评测有成绩的模型太少或不在计分范围。 数据 10月16日 06:10 更新。