GPT-5.5 Pro-benchmarks: Tallene OpenAI offentliggjorde (og dem de ikke gjorde)

GPT-5.5 Pro-benchmarks: Tallene OpenAI offentliggjorde (og dem de ikke gjorde)

OpenAI lancerede GPT-5.5 Pro den 23. april 2026 og prissatte den til $30 per million input-tokens og $180 per million output. Det er 6× de $5/$30 for basisudgaven af GPT-5.5. For pengene får du en variant med højere beregningskraft, som scorer 90,1% på BrowseComp. Men her er den del, ingen sætter i overskriften: OpenAIs egen evalueringstabel lader kodningsrækken for GPT-5.5 Pro stå tom. Det samme gælder computerbrug. Det samme gælder lang kontekst. Så når du søger efter modellens SWE-Bench Pro-score, findes der ikke én. Vi hentede den offentliggjorte tabel og vurderede selv hvert tal.

Kort svar:

• GPT-5.5 Pro er OpenAIs variant af GPT-5.5 med højere beregningskraft (udgivet 23. april 2026), ikke en ny model.
• Den fører an på browsing (BrowseComp 90,1%) og frontier-matematik, men OpenAI lod rækkerne for kodning, computerbrug og lang kontekst stå tomme.
• På de kodningsrækker, der findes, halter basisudgaven af GPT-5.5 efter Claude Fable 5 (SWE-Bench Pro 58,6% mod 80,3%).
• Claude Fable 5 er i øjeblikket suspenderet (amerikansk eksportkontrol-direktiv, omkring 12. juni 2026), så dens sejre kommer med en "kan ikke købes lige nu"-asterisk.

En kort bemærkning om metoden, for nøjagtighed betyder mere end hastighed i et benchmark-indlæg: Tallene nedenfor er krydstjekket mod OpenAIs og Anthropics offentliggjorte tabeller samt SWE-Bench Pro-artiklen (arXiv 2509.16941). Når kun én leverandør rapporterer et tal, siger vi det. Når OpenAI aldrig offentliggjorde en Pro-score, skriver vi "ikke offentliggjort" i stedet for stille at indsætte basistallet.

GPT-5.5 Pro-benchmarks: Hvad OpenAI faktisk offentliggjorde

GPT-5.5 Pros offentliggjorte benchmarks dækker et smalt udsnit: browsing, frontier-matematik, professionelt vidensarbejde, genetik og bred ræsonnering. OpenAI kørte hver evaluering med reasoning effort xhigh i et forskningsmiljø, hvilket adskiller sig fra standardindstillingen i produktionsversionen af ChatGPT. Topscoreren er BrowseComp 90,1%, klart over basisudgaven af GPT-5.5's 84,4%.

Her er hovedtabellen med en kolonne, der viser, om OpenAI offentliggjorde en separat Pro-score for hver test:

Læs den nederste blok omhyggeligt. OpenAI offentliggjorde GPT-5.5 Pro-scorer for browsing og matematik, men lod rækkerne for kodning, computerbrug, cybersikkerhed og lang kontekst stå tomme. BrowseComp-, FrontierMath- og GDPval-basistallene er bekræftet mod sekundære trackere; GDPval-Pro 82,3%, GeneBench 33,2% og Investment Banking-tallet er rapporteret af OpenAI, men ikke uafhængigt verificeret, så vi tilskriver dem i stedet for at fastslå dem blankt.

Hvad "Pro" faktisk betyder: Parallel test-time beregning, ikke en ny model

GPT-5.5 Pro er den samme GPT-5.5-model, der kører med langt mere reasoning effort, ikke en anden arkitektur. Tænk på den mindre som en ny motor og mere som den samme motor, der kører længere og parallelt, før den svarer. OpenAI kalder indstillingen reasoning effort, og Pro fastlåser den på det højeste niveau: xhigh.

Er GPT-5.5 Pro en anden model end GPT-5.5?

Nej. Samme vægte, samme træning. Når folk søger på gpt 5.5 pro vs gpt 5.5 thinking eller vs xhigh, spørger de i virkeligheden om én ting: hvor hårdt modellen tænker, før den svarer. "Parallel test-time compute" betyder, at modellen udforsker flere ræsonneringsveje på én gang og vælger den bedste, hvilket koster flere tokens og mere reel tid. Det er den ekstra beregning, du betaler 6× for.

Specifikationerne er i øvrigt de samme. GPT-5.5 Pro har et kontekstvindue på cirka 1,1M tokens input og 128K output. Så du køber ikke en større hukommelse eller en klogere basismodel. Du køber mere tænketid på den model, du allerede kender.

GPT-5.5 Pro mod GPT-5.5 (standard): Hvor 6×-prisen giver dig noget

GPT-5.5 Pro slår basisudgaven af GPT-5.5 på de sværeste opgaver: browsing, frontier-matematik og genetik. Den giver dig mindst på rutineopgaver. Den klareste gevinst er BrowseComp 90,1% mod 84,4%, et løft på 5,7 point på dyb web-research. På FrontierMath niveau 4 stiger den til 39,6% fra 35,4%.

Men mere beregning betyder ikke altid en højere score. På GDPval placerer OpenAIs tabel faktisk Pro lavere end basisudgaven af GPT-5.5 (82,3% påstået mod 84,9% bekræftet). Det er kontraintuitivt, og det rapporteres som, at Pro bytter nogle rå sejre væk for kalibrering. Pointen står fast: At betale mere er ingen garanti.

Hvor Pro trækker fra:

• BrowseComp: 90,1% mod 84,4% (+5,7)
• FrontierMath T4: 39,6% mod 35,4% (+4,2)
• GeneBench: 33,2% mod 25,0% (påstået af OpenAI)
• HLE med værktøjer: 57,2% (påstået) mod 52,2% (bekræftet basis)

Hvor den er uændret eller dårligere:

• GDPval: 82,3% (påstået) mod 84,9% basis
• HLE uden værktøjer: 43,1% mod 41,4%, næsten ingen bevægelse

Hvis dit arbejde mest består af hverdagens skrivning, kodegennemgang og opsummeringer, er 6×-tillægget svært at retfærdiggøre. Regnestykket vender først, når opgaven er virkelig svær. Nu vi er ved omkostninger: Hvis din regning er problemet, dækker vores guide til at skære dine LLM API-omkostninger routing af billigere modeller til de nemme 80% og at reservere Pro til de svære 20%.

GPT-5.5 Pro mod Claude Fable 5

På de kodnings-benchmarks, begge leverandører rapporterer, slår Claude Fable 5 basisudgaven af GPT-5.5 eftertrykkeligt. Men Fable 5 er i øjeblikket suspenderet, så sejren kommer med en asterisk. Og sammenligningen er mere rodet, end den ser ud, fordi OpenAI slet ikke offentliggjorde GPT-5.5 Pro-kodningsscorer. Så det ærlige opgør er reelt Fable 5 mod basisudgaven af GPT-5.5 på kodning, med Pro fraværende.

Her er trevejstabellen. Fable 5-tallene er tilskrevet Anthropics offentliggjorte tabel; tomme Pro-celler er præcis det:

Der er to forbehold i den tabel. For det første Terminal-Bench: basisudgaven af GPT-5.5 scorer 82,7% på v2.0 og 83,4% på v2.1, mens Fables 88,0% er på v2.1, så sørg for at læse den samme version, før du erklærer en forskel. For det andet er GDPval-AA ikke en procent. Det er en Elo-agtig score (1932 for Fable mod 1769 for basisudgaven af GPT-5.5), en helt anden skala, så stil den ikke mentalt op mod procenterækkerne. Fables HLE-uden-værktøjer-tal svinger også afhængigt af kilden: CodingFleet angiver 56,8%, mens andre opsummeringer siger 59,0%, så vi rapporterer intervallet.

SWE-Bench Pro er det benchmark, man skal forholde sig til for agentbaseret kodning. Den kører 1.865 problemer på tværs af 41 aktive repositories (ifølge arXiv 2509.16941) med opgaver, der tager en senioringeniør timer eller dage og kræver patcher på tværs af flere filer. På den test er Fable 5's 80,3% mod basisudgaven af GPT-5.5's 58,6% en stor margin.

Nu til asterisken. Claude Fable 5 blev suspenderet i juni 2026 under et amerikansk eksportkontrol-direktiv (omkring 12. juni). Så "Fable vinder kodning" er sandt på tallene og i øjeblikket uden betydning ved kassen. Hvis du vil have det dybere billede fra Anthropic-siden, er her vores fulde gennemgang af Claude Fable 5. For den model, GPT-5.5's tabel måler sig mod på matematik, se Claude Opus 4.8.

De benchmarks OpenAI IKKE offentliggjorde for Pro

OpenAI udgav aldrig GPT-5.5 Pro-scorer for kodning (SWE-Bench Pro), computerbrug (OSWorld-Verified), cybersikkerhed, genkaldelse af lang kontekst eller abstrakt ræsonnering. De rækker er tomme i den officielle tabel. Tom betyder ikke, at modellen er dårlig til dem. Det betyder, at der ikke er noget offentliggjort tal, og enhver, der citerer ét, gætter enten eller citerer basisscoren ved en fejl.

Det betyder noget, fordi det er det mest søgte hul. Hvis du søgte efter GPT-5.5 Pros SWE-Bench Pro-score, findes der ikke én. OpenAI offentliggjorde den aldrig. Det eneste tal, der findes for det benchmark i GPT-5.5-familien, er basismodellens 58,6%, og det er et basistal, ikke et Pro-tal. Vi markerer det sådan med vilje.

Hvad vi ansvarligt kan sige:

• Kodning (SWE-Bench Pro): Pro ikke offentliggjort. Basis GPT-5.5 = 58,6% (basis, ikke Pro).
• Computerbrug (OSWorld-Verified): Pro ikke offentliggjort. Basis = 78,7% (basis, ikke Pro).
• Cybersikkerhed: Pro ikke offentliggjort, ingen brugbar basis-proxy i tabellen.
• Lang kontekst: Pro ikke offentliggjort, ingen brugbar basis-proxy.
• Abstrakt ræsonnering: Pro ikke offentliggjort.

Kunne Pros parallelle beregning løfte de basistal? Sandsynligvis, givet mønsteret på browsing og matematik. Men "sandsynligvis" er ikke et benchmark, og vi vil ikke trykke et tal, som OpenAI ikke har. Den tilbageholdenhed er hele grunden til, at denne sektion findes.

Prissætning: $5/$30 mod $30/$180 mod $10/$50 — er Pro 6× værd?

GPT-5.5 Pro koster cirka 6× basisudgaven af GPT-5.5: $30 input og $180 output per million tokens mod basis på $5/$30. Claude Fable 5 ligger imellem dem på $10/$50. Det er det værd til svær research og frontier-matematik, men sjældent til hverdagsarbejde.

Så hvem bør faktisk betale tillægget? En grov dom efter opgave:

• Svær research, frontier-matematik, dyb flertrins browsing: GPT-5.5 Pro fortjener det. Benchmark-gevinsterne er reelle, og opgavens værdi er høj.
• Agentbaseret kodning på store repos: Fable 5, hvis du kan få den, ellers basisudgaven af GPT-5.5 pakket ind i et kodningsstillads. At betale Pro-priser for en ikke-offentliggjort kodningsscore er et dårligt væddemål.
• Daglig skrivning, opsummeringer, kodegennemgang, support: basisudgaven af GPT-5.5. 6×-udgiften køber næsten intet her.

Fælden er at sætte alt til Pro "for en sikkerheds skyld." På output-tunge arbejdsbyrder vokser det $180-tal hurtigt. Route efter sværhedsgrad, og du beholder det meste af kvaliteten til en brøkdel af regningen (mere om det i vores LLM API-omkostningsguide).

Hvordan vi tjekkede disse tal (og hvor kilderne er uenige)

Før nogen af disse tal kom med i dette indlæg, gjorde vi det uglamorøse arbejde: vi hentede OpenAIs offentliggjorte GPT-5.5-evalueringstabel og tjekkede hver Pro-række mod uafhængige trackere i stedet for at stole på ét skærmbillede. Kilderne, vi krydstjekkede mod, var llm-stats, BenchLM, DataCamps Fable 5-gennemgang, CodingFleet og arXiv SWE-Bench Pro-artiklen (2509.16941). Her er, hvad der holdt, og hvad der ikke gjorde.

De fleste af de fremhævede Pro-tal stemmer pænt overens. BrowseComp 90,1%, FrontierMath niveau 1–3 52,4% og niveau 4 39,6% samt $30/$180-prissætningen matchede på tværs af alle kilder, vi tjekkede. SWE-Bench Pro på 80,3% for Fable 5 mod 58,6% for basisudgaven af GPT-5.5 og FrontierCode Diamond på 29,3% mod 5,7% holdt også — og SWE-Bench Pro-opgaveantallet (1.865 problemer på tværs af 41 repositories) kommer direkte fra artiklen, ikke en leverandørblog.

Tre ting stemte ikke overens, og dem bør du kende til:

• Humanity's Last Exam med værktøjer for Fable 5 optræder som alt fra 56,8% til 59,0% afhængigt af kilden. Vi citerer intervallet i stedet for at vælge en favorit.
• Terminal-Bench-tal svæver mellem version 2.0 og 2.1 på tværs af OpenAIs og Anthropics tabeller, så forskellen mellem GPT-5.5 (83,4%) og Fable (88,0%) er ikke en ren æble-til-æble-aflæsning.
• Investment Banking-modelleringsscoren (88,6% Pro) er mærket "intern" af OpenAI, hvilket betyder, at ingen uafhængig tracker kan bekræfte den. Vi markerer den som en leverandørpåstand, hver gang den optræder.

Det er den ærlige version. De tal, vi præsenterer som fakta, stemte overens på tværs af mindst to uafhængige kilder; alt andet er tilskrevet den, der rapporterede det. Vi kørte ikke selv GPT-5.5 Pro — til $30/$180 per million tokens er en seriøs head-to-head-kørsel ikke noget, vi vil fake, så vi vil ikke foregive at have laboratorieresultater, vi ikke har.

Reelle resultater leverandørerne rapporterer

Det er leverandørpåstande, ikke uafhængige laboratorieresultater, så læs dem som marketingnære beviser. OpenAI og Anthropic har hver især offentliggjort casestudier, der tegner et smigrende billede. Vi lister dem tilskrevet, med det forbehold at ingen er verificeret af os.

På OpenAI-siden siger virksomheden, at et finansteam brugte Codex med GPT-5.5 til at gennemgå 24.771 K-1-selvangivelser (71.637 sider) og blev cirka to uger hurtigere færdig end sidste års proces. OpenAI rapporterer også en fungerende algebraisk-geometri-app bygget fra en enkelt prompt på 11 minutter samt en GPT-5.5 Pro-analyse af et genekspressionsdatasæt, der spænder over 62 prøver og cirka 28.000 gener.

På Anthropic-siden brugte Stripe (rapporteret via Anthropic) Fable 5 til at køre en migration på tværs af hele kodebasen på en 50 millioner linjer stor Ruby-kodebase på en enkelt dag, mod et anslået 2+ måneder i hånden. Anthropic siger også, at Fable 5 gennemførte Pokémon FireRed ud fra rå skærmbilleder, hvor tidligere Claude-modeller krævede ekstra stilladsværktøjer, og at den med persistent filbaseret hukommelse spillede Slay the Spire cirka 3× bedre end Opus 4.8.

Imponerende demoer, dem alle sammen. Husk bare, at de er udvalgt af leverandørerne og ikke kan gengives ud fra pressemeddelelsen alene.

Hvilken model bør du faktisk bruge?

Match modellen til opgaven, ikke hypen. For kodningsagenter og store repos, gå efter Claude Fable 5, hvis den er tilgængelig for dig, og basisudgaven af GPT-5.5 pakket ind i et kodningsstillads, hvis den ikke er. Til research, frontier-matematik og dyb browsing er GPT-5.5 Pro valget. Til dagligt arbejde og omkostningseffektivitet vinder basisudgaven af GPT-5.5 på værdi næsten hver gang.

Et par pointers, hvis du vælger en stak frem for et enkelt opkald. Hvis du faktisk vil have et autonomt kodningssystem, vil du have et værktøj, ikke en rå model, så start med de bedste AI-kodningsagenter i 2026 og sammenligningen af baggrundskodningsagenter for konteksten om Codex og Devin. Nysgerrig efter, hvor familien bevæger sig hen næste gang? Her er hvad der lækker om GPT-5.6.

Hos Techsy router vi per opgave på tværs af vores agentpipelines, førsteklasses ræsonneringsmodeller til de svære valg og billigere til resten, i stedet for at betale premium-priser på hver forespørgsel. Hvis du vil have en second opinion på din egen modelblanding, så få en gratis konsultation.

Ofte stillede spørgsmål

Er GPT-5.5 Pro det værd?

Det afhænger af opgaven. Til svær research, frontier-matematik og dyb browsing retfærdiggør GPT-5.5 Pros gevinster over basis (BrowseComp 90,1% mod 84,4%) den cirka 6× pris på $30/$180 per million tokens. Til hverdagens skrivning, kodegennemgang og opsummeringer giver basisudgaven af GPT-5.5 dig næsten den samme kvalitet til en sjettedel af omkostningerne.

Er GPT-5.5 Pro bedre end Claude Fable 5?

På offentliggjorte kodnings-benchmarks, nej: Claude Fable 5 slår basisudgaven af GPT-5.5 på SWE-Bench Pro (80,3% mod 58,6%), og OpenAI offentliggjorde aldrig en Pro-kodningsscore at sammenligne med. GPT-5.5 Pro vinder på browsing og frontier-matematik. Én hage: Fable 5 er i øjeblikket suspenderet under et amerikansk eksportkontrol-direktiv, så tilgængelighed betyder lige så meget som benchmarket.

Hvor god er GPT-5.5 Pro til kodning?

Ærligt talt kan vi ikke sige det ud fra OpenAIs tal, fordi OpenAI ikke offentliggjorde en GPT-5.5 Pro-kodningsscore. Det eneste kodningstal for familien er basisudgaven af GPT-5.5's SWE-Bench Pro-resultat på 58,6%, som halter efter Claude Fable 5's 80,3%. Enhver, der citerer et "Pro-kodningsbenchmark", citerer sandsynligvis basistallet ved en fejl.

GPT-5.5 Pro mod GPT-5.5 standard — hvilken skal jeg bruge?

Brug GPT-5.5 Pro til svær research, frontier-matematik og dyb flertrins browsing, hvor dens ekstra parallelle beregning tjener 6×-prisen. Brug basisudgaven af GPT-5.5 til dagligt arbejde, kodegennemgang og opsummeringer, hvor tillægget køber lidt. På nogle tests, som GDPval, placerer OpenAIs tabel endda Pro lidt under basis.

Hvor meget koster GPT-5.5 Pro?

GPT-5.5 Pro koster $30 per million input-tokens og $180 per million output-tokens, cirka 6× basisudgaven af GPT-5.5's $5/$30. Til sammenligning ligger Claude Fable 5 på $10/$50. På output-tunge arbejdsbyrder vokser Pro-tillægget hurtigt, så routing efter opgavesværhedsgrad i stedet for at sætte alt til Pro sparer rigtige penge.

Hvad er reasoning effort "xhigh"?

Reasoning effort er den knap, der styrer, hvor hårdt GPT-5.5 tænker, før den svarer. "xhigh" er det højeste niveau, hvor modellen bruger parallel test-time compute til at udforske flere ræsonneringsveje og vælge den bedste. OpenAI kørte sine offentliggjorte GPT-5.5 Pro-evalueringer på xhigh i et forskningsmiljø, hvilket adskiller sig fra standardindstillingen i produktionsversionen af ChatGPT.

Er GPT-5.5 Pro tilgængelig i Codex?

Ja. Du kan kalde GPT-5.5 Pro i Codex CLI ved hjælp af modelstrengen gpt-5.5-pro og sætte reasoning effort til xhigh for den mest beregningstunge adfærd. Forvent højere latenstid og mærkbart højere token-omkostninger end basisudgaven af GPT-5.5, så reserver den til de virkelig svære opgaver i stedet for at køre den som din standardkodningsmodel.

Er GPT-5.5 Pro en ny model?

Nej. GPT-5.5 Pro er den samme GPT-5.5-model, der kører med mere reasoning effort og parallel test-time compute på xhigh-indstillingen, ikke en separat arkitektur. Den deler de samme vægte og det samme kontekstvindue på cirka 1,1M input og 128K output-tokens. Du betaler for mere tænketid, ikke en klogere basismodel.

Hvad er GPT-5.5 Pros kontekstvindue?

GPT-5.5 Pro har et kontekstvindue på cirka 1,1M tokens input og 128K tokens output, det samme som basisudgaven af GPT-5.5. Det er nok til at indlæse store kodebaser eller lange dokumenter i et enkelt opkald. Forskellen mellem Pro og basis er ikke hukommelsesstørrelsen; det er, hvor meget ræsonneringsberegning modellen bruger, før den svarer.