GPT-5.5

OpenAI 于北京时间 4 月 24 日正式发布 GPT-5.5，内部代号"Spud"。距 GPT-5.4 发布不过六周，头部实验室已从"大版本攒够再发"切换成了滚动迭代模式。

定位与核心变化

OpenAI 联席总裁 Greg Brockman 把 GPT-5.5 定位为向"agentic 与直觉式计算"迈进的关键一步，核心叙事只有一句话：在更少外部引导下完成更复杂的多步任务。以前需要手把手给指令，现在可以把一个半成品任务直接交给它，让它自己拆解、规划、执行、检查、再继续。

首席研究官 Mark Chen 补充，本次重点改进集中在四个方向：Agentic Coding、Computer Use、通用知识工作，以及科学研究辅助。单 token 延迟与 GPT-5.4 持平，但完成同样任务消耗的 token 数更少——"更贵但更省"是官方卖点，高吞吐量场景建议用自己的业务数据实测再做判断。

关于 GPT-5.5 Pro 有一点值得注意：它并非独立训练的更大模型，而是同一底层模型在推理时启用**并行测试时计算（parallel test-time compute）**后得到的高精度模式。定价是标准版的六倍，买的是计算时长而不是参数规模。

API 定价方面，有一个结构化模块里没有体现的隐藏成本：超过 272,000 个输入 token 的请求，整个会话会按 2 倍输入 + 1.5 倍输出计费，长上下文场景需要提前测算。数据驻留（区域端点）另加 10% 费率。

基准成绩背后的结构性判断

Agent 执行类基准上，GPT-5.5 的进步是真实的：相比 GPT-5.4，ARC-AGI-2 提升了 11.7 个百分点，Terminal-Bench 2.0 提升 7.6 个百分点，MCP Atlas 提升 8.1 个百分点。OSWorld-Verified（真实计算机操控）78.7%，在目前公开有成绩的模型中处于前列。

但切换到纯推理场景，结构性短板同样清晰。Humanity's Last Exam（无工具条件）上，GPT-5.5 Pro 得分 43.1%，低于 Claude Opus 4.7 的 46.9%，与 Mythos Preview 的 56.8% 差距更明显。第三方平台 BenchLM.ai 的综合榜（112 个模型）也印证了这一点：Agentic 类任务排第 2，多模态与有根基理解排第 64。

这个能力分布有清晰的实践含义：GPT-5.5 更适合作为执行层工具，负责规划、操控、工具调用和多步任务完成；深度推理链路如果对准确率要求高，综合选型仍有必要。

科研辅助：两个值得记录的案例

OpenAI 在发布时格外强调了科研方向，这里有两个具体案例可以帮助判断能力边界：一是配了定制推理框架的 GPT-5.5 内部版本，参与发现了拉姆齐数（Ramsey Numbers）的一个新证明，这是组合数学的核心研究对象，说明模型贡献已不只是检索与整理，而是在推理生成层面有了真实参与；二是一位免疫学教授用 GPT-5.5 Pro 分析了包含 62 个样本、近 2.8 万个基因的基因表达数据集，产出了含关键洞察与研究问题的完整报告，他表示原本需要团队花费数月。

两个案例都值得打折扣看：前者是内部特化版本，后者是单个专家的主观评估。但方向上指向的是同一件事：模型正在从"搜索替代品"向"协作型研究工具"转变。

渠道格局重塑：AWS Bedrock 与 Azure 独家授权终止

这是本次发布周期里影响最深远的变化，却容易被技术性能讨论掩盖。

4 月 27 日，微软与 OpenAI 正式修订协议，结束自 2019 年以来长达七年的 Azure 排他授权。4 月 28 日，OpenAI 随即宣布与 AWS 扩大战略合作：GPT-5.5 和 GPT-5.4 在 Amazon Bedrock 上线限量预览，Codex 首次进入多云环境，同步推出 Amazon Bedrock Managed Agents powered by OpenAI。AWS 获得 OpenAI Frontier 企业 Agent 平台的独家第三方分发权，双方还在联合开发跨调用保留上下文的有状态运行时环境（Stateful Runtime Environment）。

对企业开发者的直接意义是：有 AWS 存量承诺消费的团队现在可以直接在 Bedrock 调用 GPT-5.5，复用现有 IAM、PrivateLink 和审计体系，不需要另开 OpenAI 账户。OpenAI 产品正式进入多云可选格局，企业侧的供应链集中度风险也随之重新分布。

DataLearner 的判断

GPT-5.5 是一次以 Agent 执行能力为核心的定向升级，不是全面碾压式的代际跃迁。对大多数场景，最值得关注的实际上不是 benchmark 排名的微小变化，而是：token 效率提升能否覆盖价格翻倍的成本、长上下文的隐藏计费规则、以及 Bedrock 上架带来的企业采购路径变化。这三件事对实际部署决策的影响，远比又赢了哪个 benchmark 更实质。