GPT-5.5 评测详情
GPT-5.5 当前已收录的代表性评测结果包括 LiveBench（1 / 115，得分 80.71）、Terminal Bench 2.0（1 / 47，得分 82.70）、GPQA Diamond（6 / 187，得分 93.60）。本页还提供与 3 个竞品模型及 3 个前代或同系列模型的对比，在有数据时会展示性能和价格视图。并附有 2 个数据来源链接供参考。
评测结果
GPT-5.5
评测结果
综合评估
共 15 项评测评测名称 / 模式
得分
排名/总数
数学推理
共 3 项评测评测名称 / 模式
得分
排名/总数
AI Agent - 工具使用
共 4 项评测评测名称 / 模式
得分
排名/总数
竞品对比
GPT-5.5 与同类主流模型的评测得分对比
评测类别:
柱状图按当前筛选范围内每个模型在各评测中的最高分展示；百分制评测使用原始高度，超出 0-100 的评测按该评测内相对比例缩放，标签仍保留原始分数。
12 项可对比评测得分汇总。每个模型展示最佳得分，模式在分数下方标注。
| 评测项 | GPT-5.5当前 | Opus 4.7 | Claude Mythos Preview | Gemini 3.1 Pro Preview |
|---|---|---|---|---|
ARC-AGI 综合评估 | 95.00思考水平·极高 | 93.50思考水平·高 | -- | -- |
ARC-AGI-2 综合评估 | 85.00思考水平·极高 | 75.80思考水平·高 | -- | 77.10思考水平·高 |
GPQA Diamond 综合评估 | 93.60思考水平·高 | 94.20扩展思考 | 94.60扩展思考 | 94.30思考水平·高 |
HLE 综合评估 | 52.20思考水平·高 ｜ 工具 | 54.70扩展思考 ｜ 工具 | 64.70扩展思考 ｜ 工具 | 51.40思考水平·高 ｜ 工具 |
LiveBench 综合评估 | 80.71深度思考模式 | 76.91深度思考模式 | -- | 79.93思考水平·高 |
Simple Bench 常识推理 | 69.00常规模式 | 61.70常规模式 | -- | 79.60常规模式 |
FrontierMath 数学推理 | 51.70思考水平·高 ｜ 工具 | 43.80思考水平·极高 | -- | 36.90思考水平·高 |
35.40思考水平·极高 | 22.90思考水平·极高 | -- | 16.70常规模式 | |
DeepSWE 编程与软件工程 | 67.00思考水平·极高 ｜ 工具 | -- | -- | 12.00思考水平·高 ｜ 工具 |
SWE-Bench Pro - Public 编程与软件工程 | 58.60思考水平·高 ｜ 工具 | 64.30扩展思考 ｜ 工具 | 77.80扩展思考 ｜ 工具 | 54.20思考水平·高 ｜ 工具 |
τ²-Bench - Telecom Agent能力评测 | 98.00思考水平·高 ｜ 工具 | -- | -- | 99.30思考水平·高 ｜ 工具 |
BrowseComp AI Agent - 信息收集 | 84.40思考水平·高 ｜ 工具 | 79.30扩展思考 ｜ 工具 | 84.90扩展思考 ｜ 工具 | 85.90思考水平·高 ｜ 工具 |
其余 4 个 benchmark 仍可在上方图表中查看。
GPT-5.5 与同类模型的标准 API 价格对比
按模型并排展示标准文本输入价与输出价；若存在超长上下文加价，仅保留阈值内标准价，并在下方说明适用范围。
数据来源：DataLearnerAI，展示默认供应商的标准文本价格。 · USD / 1M tokens
若存在上下文阈值，图中标准价仅适用于以下范围：
Gemini 3.1 Pro Preview: 标准价适用于 <= 200K
| 模型 | 供应商 | 标准输入 | 标准输出 | 标准价适用于 |
|---|---|---|---|---|
GPT-5.5 | OpenAI | $5 / 1M tokens | $30 / 1M tokens | — |
Opus 4.7 | Anthropic | $5 / 1M tokens | $25 / 1M tokens | — |
Claude Mythos Preview | Anthropic | $25 / 1M tokens | $125 / 1M tokens | — |
Gemini 3.1 Pro Preview | Google Deep Mind | $2 / 1M tokens | $12 / 1M tokens | <= 200K |
历代版本对比
GPT-5.5 系列各版本的评测成绩纵向对比
评测类别:
柱状图按当前筛选范围内每个模型在各评测中的最高分展示；百分制评测使用原始高度，超出 0-100 的评测按该评测内相对比例缩放，标签仍保留原始分数。
12 项可对比评测得分汇总。每个模型展示最佳得分，模式在分数下方标注。· 点击任意行可切换下方趋势图。
| 评测项 | GPT-5.5当前 | GPT-5.4 | GPT-5.2 | GPT-5.1 |
|---|---|---|---|---|
ARC-AGI 综合评估 | 95.00思考水平·极高 | 93.70思考水平·极高 | 90.50深度思考模式 | 72.80思考水平·高 |
ARC-AGI-2 综合评估 | 85.00思考水平·极高 | 77.10常规模式 | 54.20深度思考模式 | 17.60思考水平·高 |
GPQA Diamond 综合评估 | 93.60思考水平·高 | 92.80思考水平·极高 | 93.20深度思考模式 | 88.10开启思考 |
HLE 综合评估 | 52.20思考水平·高 ｜ 工具 | 52.10思考水平·极高 ｜ 工具 | 45.50深度思考模式 ｜ 工具 | 42.70思考水平·高 ｜ 工具 |
LiveBench 综合评估 | 80.71深度思考模式 | 80.28深度思考模式 | 74.84思考水平·高 | 72.04思考水平·高 |
Simple Bench 常识推理 | 69.00常规模式 | -- | 45.80思考水平·高 | 53.20思考水平·高 |
FrontierMath 数学推理 | 51.70思考水平·高 ｜ 工具 | 47.60思考水平·极高 | 40.30思考水平·极高 ｜ 工具 | 26.70思考水平·高 ｜ 工具 |
35.40思考水平·极高 | 27.10思考水平·极高 | 18.80思考水平·极高 | 12.50思考水平·高 ｜ 工具 | |
DeepSWE 编程与软件工程 | 67.00思考水平·极高 ｜ 工具 | 52.00思考水平·极高 ｜ 工具 | -- | -- |
SWE-Bench Pro - Public 编程与软件工程 | 58.60思考水平·高 ｜ 工具 | 57.70思考水平·极高 | 55.60思考水平·极高 ｜ 工具 | 50.80思考水平·高 |
τ²-Bench - Telecom Agent能力评测 | 98.00思考水平·高 ｜ 工具 | 98.90思考水平·极高 ｜ 工具 | 98.70思考水平·极高 ｜ 工具 | 95.60思考水平·高 ｜ 工具 |
BrowseComp AI Agent - 信息收集 | 84.40思考水平·高 ｜ 工具 | 82.70思考水平·极高 ｜ 工具 | 65.80思考水平·极高 ｜ 工具 | 50.80思考水平·高 |
其余 4 个 benchmark 仍可在上方图表中查看。
单评测历史趋势图
当前查看：ARC-AGI · 综合评估
选择评测
GPT-5.5 所在系列的标准 API 价格对比
按模型并排展示标准文本输入价与输出价；若存在超长上下文加价，仅保留阈值内标准价，并在下方说明适用范围。
数据来源：DataLearnerAI，展示默认供应商的标准文本价格。 · USD / 1M tokens
若存在上下文阈值，图中标准价仅适用于以下范围：
GPT-5.4: 标准价适用于 <= 272K
| 模型 | 供应商 | 标准输入 | 标准输出 | 标准价适用于 |
|---|---|---|---|---|
GPT-5.5 | OpenAI | $5 / 1M tokens | $30 / 1M tokens | — |
GPT-5.4 | OpenAI | $2.5 / 1M tokens | $15 / 1M tokens | <= 272K |
GPT-5.2 | Facebook AI研究实验室 | $1.75 / 1M tokens | $14 / 1M tokens | — |
GPT-5.1 | OpenAI | $1.25 / 1M tokens | $10 / 1M tokens | — |