GPT-5.5 Pro Benchmarks: Los Números que OpenAI Publicó (y los que No)
OpenAI lanzó GPT-5.5 Pro el 23 de abril de 2026 a un precio de $30 por millón de tokens de entrada y $180 por millón de salida. Eso es 6× el precio base de GPT-5.5 ($5/$30). Por ese dinero obtienes una variante de mayor cómputo que alcanza un 90,1% en BrowseComp. Pero aquí está lo que nadie pone en el titular: la propia tabla de evaluaciones de OpenAI deja en blanco la fila de codificación de GPT-5.5 Pro. Lo mismo con el uso de computadoras. Lo mismo con el contexto largo. Así que cuando buscas la puntuación SWE-Bench Pro del modelo, no hay ninguna que encontrar. Sacamos la tabla publicada y verificamos cada cifra nosotros mismos.
Respuesta rápida:
- GPT-5.5 Pro es la variante de mayor cómputo de GPT-5.5 (lanzada el 23 de abril de 2026), no un modelo nuevo.
- Lidera en navegación (BrowseComp 90,1%) y matemáticas avanzadas, pero OpenAI dejó en blanco las filas de codificación, uso de computadoras y contexto largo.
- En las filas de codificación que sí existen, el GPT-5.5 base queda por detrás de Claude Fable 5 (SWE-Bench Pro 58,6% vs 80,3%).
- Claude Fable 5 está actualmente suspendido (directiva de control de exportaciones de EE. UU., alrededor del 12 de junio de 2026), así que sus victorias llevan un asterisco de "no disponible ahora mismo".
Una nota rápida sobre el método, porque en un artículo de benchmarks la precisión importa más que la velocidad: los números de abajo están contrastados con las tablas publicadas de OpenAI y Anthropic y con el paper de SWE-Bench Pro (arXiv 2509.16941). Cuando solo un proveedor reporta una cifra, lo indicamos. Cuando OpenAI nunca publicó una puntuación Pro, escribimos "no publicado" en lugar de sustituirlo silenciosamente por el número base.
Benchmarks de GPT-5.5 Pro: Lo que OpenAI Realmente Publicó
Los benchmarks publicados de GPT-5.5 Pro cubren un segmento reducido: navegación web, matemáticas avanzadas, trabajo de conocimiento profesional, genética y razonamiento general. OpenAI ejecutó todas las evaluaciones con el esfuerzo de razonamiento xhigh en un entorno de investigación, lo que difiere del valor por defecto de ChatGPT en producción. El número principal es BrowseComp 90,1%, claramente por encima del 84,4% del GPT-5.5 base.
Esta es la tabla maestra, con una columna que indica si OpenAI publicó una puntuación Pro separada para cada prueba:
| Benchmark | Qué mide | GPT-5.5 Pro | GPT-5.5 base | ¿Pro publicado? | Notas |
|---|---|---|---|---|---|
| BrowseComp | Navegación web difícil / búsqueda de información | 90,1% | 84,4% | Sí | La ventaja más clara de Pro sobre base |
| FrontierMath T1-3 | Matemáticas difíciles | 52,4% | 51,7% | Sí | Supera al Opus 4.7 reportado (43,8%) |
| FrontierMath T4 | Matemáticas de frontera | 39,6% | 35,4% | Sí | El nivel matemático más difícil |
| GDPval | Trabajo de conocimiento profesional | 82,3% (atribuido) | 84,9% | Sí (atribuido) | La tabla de OpenAI lista Pro por debajo de base |
| GeneBench | Genética multietapa | 33,2% (atribuido) | 25,0% | Sí (atribuido) | "OpenAI reporta" un salto importante |
| HLE (sin herramientas) | Razonamiento difícil general | 43,1% | 41,4% | Sí | Por debajo del Opus 4.7 reportado (46,9%) |
| HLE (con herramientas) | Razonamiento con herramientas | 57,2% (atribuido) | 52,2% | Parcial | Base 52,2% confirmado; Pro 57,2% atribuido |
| Investment Banking Modeling | Modelado financiero | 88,6% (interno) | 88,5% | Evaluación interna | OpenAI lo marcó como INTERNO; tratar como dato blando |
| SWE-Bench Pro | Codificación agéntica | no publicado | 58,6% | No | La brecha más buscada |
| OSWorld-Verified | Uso de computadoras | no publicado | 78,7% | No | En blanco para Pro |
| Ciberseguridad | Tareas de seguridad | no publicado | no publicado | No | En blanco para Pro |
| Contexto largo | Recuperación en documentos largos | no publicado | no publicado | No | En blanco para Pro |
Fíjate bien en ese bloque inferior. OpenAI publicó puntuaciones de GPT-5.5 Pro para navegación y matemáticas, pero dejó en blanco las filas de codificación, uso de computadoras, ciberseguridad y contexto largo. Las cifras de BrowseComp, FrontierMath y GDPval-base están confirmadas con rastreadores independientes; el GDPval-Pro 82,3%, GeneBench 33,2% y el número de Investment Banking son reportados por OpenAI pero no verificados de forma independiente, por lo que los atribuimos en lugar de presentarlos como hechos.
Qué Significa Realmente "Pro": Cómputo Paralelo en Tiempo de Inferencia, No un Modelo Nuevo
GPT-5.5 Pro es el mismo modelo GPT-5.5 ejecutándose con mucho más esfuerzo de razonamiento, no una arquitectura diferente. Piénsalo menos como un motor nuevo y más como el mismo motor funcionando durante más tiempo y en paralelo antes de responder. OpenAI llama a este ajuste reasoning effort, y Pro lo fija en el nivel más alto: xhigh.
¿GPT-5.5 Pro es un modelo diferente de GPT-5.5?
No. Mismos pesos, mismo entrenamiento. Cuando la gente busca gpt 5.5 pro vs gpt 5.5 thinking o vs xhigh, en realidad están preguntando por un solo parámetro: cuánto piensa el modelo antes de responder. El "cómputo paralelo en tiempo de inferencia" significa que el modelo explora varios caminos de razonamiento a la vez y elige el mejor, lo que consume más tokens y más tiempo de reloj. Ese cómputo adicional es por lo que pagas 6× más.
Las especificaciones son las mismas en todo lo demás. GPT-5.5 Pro tiene una ventana de contexto de aproximadamente 1,1M tokens de entrada y 128K de salida. No estás comprando más memoria ni un modelo base más inteligente. Estás comprando más tiempo de razonamiento sobre el modelo que ya conoces.
GPT-5.5 Pro vs GPT-5.5 Estándar: Dónde el Precio 6× Vale la Pena
GPT-5.5 Pro supera al GPT-5.5 base en las tareas más difíciles: navegación, matemáticas avanzadas y genética. En el trabajo rutinario, la ventaja es mínima. La mejora más clara es BrowseComp 90,1% vs 84,4%, una ganancia de 5,7 puntos en investigación web profunda. En FrontierMath Nivel 4 sube a 39,6% desde 35,4%.
Pero más cómputo no siempre significa una puntuación más alta. En GDPval, la tabla de OpenAI lista a Pro por debajo del GPT-5.5 base (82,3% atribuido vs 84,9% confirmado). Es contraintuitivo, y se reporta como Pro sacrificando algunas victorias brutas por calibración. El punto se mantiene: pagar más no es garantía de nada.
Donde Pro se adelanta:
- BrowseComp: 90,1% vs 84,4% (+5,7)
- FrontierMath T4: 39,6% vs 35,4% (+4,2)
- GeneBench: 33,2% vs 25,0% (atribuido por OpenAI)
- HLE con herramientas: 57,2% (atribuido) vs 52,2% (base confirmado)
Donde es plano o peor:
- GDPval: 82,3% (atribuido) vs 84,9% base
- HLE sin herramientas: 43,1% vs 41,4%, apenas se mueve
Si tu trabajo es principalmente redacción cotidiana, revisión de código y resúmenes, el premium 6× es difícil de justificar. Los números solo cambian cuando la tarea es genuinamente difícil. Si el coste es tu problema, nuestra guía para reducir los costes de la API de LLM explica cómo enrutar modelos más baratos para el 80% de tareas sencillas y reservar Pro para el 20% difícil.
GPT-5.5 Pro vs Claude Fable 5
En los benchmarks de codificación que ambos proveedores reportan, Claude Fable 5 supera de forma contundente al GPT-5.5 base. Pero Fable 5 está actualmente suspendido, así que la victoria lleva un asterisco. Y la comparativa es más complicada de lo que parece, porque OpenAI no publicó puntuaciones de codificación para GPT-5.5 Pro en absoluto. Así que la comparativa honesta es realmente Fable 5 vs GPT-5.5 base en codificación, con Pro ausente.
Esta es la tabla de tres vías. Las cifras de Fable 5 están atribuidas a la tabla publicada de Anthropic; las celdas Pro en blanco son exactamente eso:
| Prueba | GPT-5.5 base | GPT-5.5 Pro | Claude Fable 5 | Ganador |
|---|---|---|---|---|
| SWE-Bench Pro | 58,6% | no publicado | 80,3% | Fable 5 |
| FrontierCode Diamond | 5,7% | no publicado | 29,3% | Fable 5 |
| Terminal-Bench | 83,4% (v2.1) | no publicado | 88,0% (v2.1) | Fable 5 |
| OSWorld-Verified | 78,7% | no publicado | 85,0% | Fable 5 |
| HLE (sin herramientas) | 41,4% | 43,1% | 56,8-59,0% | Fable 5 |
| HLE (con herramientas) | 52,2% | 57,2% (atribuido) | 64,5% | Fable 5 |
| BrowseComp | 84,4% | 90,1% | no publicado | GPT-5.5 Pro |
| FrontierMath T4 | 35,4% | 39,6% | no reportado | GPT-5.5 Pro |
| GDPval-AA | 1769 | no publicado | 1932 | Fable 5 |
Dos advertencias viven en esa tabla. Primera, Terminal-Bench: el GPT-5.5 base anota 82,7% en v2.0 y 83,4% en v2.1, mientras que el 88,0% de Fable corresponde a v2.1, así que asegúrate de leer la misma versión antes de declarar una diferencia. Segunda, GDPval-AA no es un porcentaje. Es una puntuación tipo Elo (1932 para Fable vs 1769 para GPT-5.5 base), una escala completamente diferente, así que no la compares mentalmente con las filas de porcentaje. El HLE sin herramientas de Fable también varía según la fuente: CodingFleet lista 56,8% mientras que otros resúmenes dicen 59,0%, por lo que reportamos el rango.
SWE-Bench Pro es el benchmark de referencia para la codificación agéntica. Ejecuta 1.865 problemas en 41 repositorios activos (según arXiv 2509.16941), con tareas que le toman a un ingeniero senior horas o días y requieren parches en múltiples archivos. En esa prueba, el 80,3% de Fable 5 frente al 58,6% del GPT-5.5 base es un margen amplio.
Ahora el asterisco. Claude Fable 5 fue suspendido en junio de 2026 bajo una directiva de control de exportaciones de EE. UU. (alrededor del 12 de junio). Así que "Fable gana en codificación" es cierto en los números y actualmente no tiene efecto en la práctica. Si quieres ver el panorama completo del lado de Anthropic, aquí está nuestro análisis completo de Claude Fable 5. Para el modelo con el que la tabla de GPT-5.5 compite en matemáticas, consulta Claude Opus 4.8.
Los Benchmarks que OpenAI NO Publicó para Pro
OpenAI nunca publicó puntuaciones de GPT-5.5 Pro para codificación (SWE-Bench Pro), uso de computadoras (OSWorld-Verified), ciberseguridad, recuperación en contextos largos ni razonamiento abstracto. Esas filas están en blanco en la tabla oficial. En blanco no significa que el modelo sea malo en ellas. Significa que no hay número publicado, y quien cite uno está probablemente citando el número base por error.
Esto importa porque es la brecha más buscada. Si buscaste la puntuación SWE-Bench Pro de GPT-5.5 Pro, no existe. OpenAI nunca la publicó. La única cifra que existe para ese benchmark en la familia GPT-5.5 es el 58,6% del modelo base, y ese es un número base, no Pro. Lo dejamos claro a propósito.
Lo que podemos decir de forma responsable:
- Codificación (SWE-Bench Pro): Pro no publicado. GPT-5.5 base = 58,6% (base, no Pro).
- Uso de computadoras (OSWorld-Verified): Pro no publicado. Base = 78,7% (base, no Pro).
- Ciberseguridad: Pro no publicado, sin proxy base utilizable en la tabla.
- Contexto largo: Pro no publicado, sin proxy base utilizable.
- Razonamiento abstracto: Pro no publicado.
¿Podría el cómputo paralelo de Pro elevar esos números base? Probablemente, dado el patrón en navegación y matemáticas. Pero "probablemente" no es un benchmark, y no vamos a publicar un número que OpenAI no publicó. Esa restricción es exactamente la razón por la que existe esta sección.
Precios: $5/$30 vs $30/$180 vs $10/$50 — ¿Vale la Pena el 6×?
GPT-5.5 Pro cuesta aproximadamente 6× el GPT-5.5 base: $30 de entrada y $180 de salida por millón de tokens, frente a los $5/$30 del base. Claude Fable 5 se sitúa entre ambos en $10/$50. Vale la pena para investigación difícil y matemáticas avanzadas; raramente para el trabajo cotidiano.
| Modelo | Entrada / 1M | Salida / 1M | Coste relativo |
|---|---|---|---|
| GPT-5.5 base | $5 | $30 | 1× (línea base) |
| Claude Fable 5 | $10 | $50 | ~2× entrada, ~1,7× salida |
| GPT-5.5 Pro | $30 | $180 | ~6× base |
¿Quién debería pagar el premium? Un veredicto aproximado por tipo de trabajo:
- Investigación difícil, matemáticas de frontera, navegación profunda y multistep: GPT-5.5 Pro lo justifica. Las ganancias en benchmarks son reales y el valor de la tarea es alto.
- Codificación agéntica en repositorios grandes: Fable 5 si puedes conseguirlo, si no GPT-5.5 base dentro de un scaffold de codificación. Pagar precios Pro por una puntuación de codificación no publicada es una mala apuesta.
- Redacción diaria, resúmenes, revisión de código, soporte: GPT-5.5 base. El gasto 6× casi no compra nada aquí.
La trampa es poner todo en Pro "para ir a lo seguro". En cargas de trabajo con mucha salida, ese $180 se acumula rápido. Enrutar por dificultad te da la mayor parte de la calidad a una fracción del coste (más detalles en nuestra guía de costes de API LLM).
Cómo Verificamos Estos Números (y Dónde las Fuentes No Coinciden)
Antes de que cualquiera de estas cifras llegara a este artículo, hicimos la parte menos vistosa: sacamos la tabla de evaluaciones publicada de OpenAI para GPT-5.5 y verificamos cada fila Pro con rastreadores independientes en lugar de confiar en una sola captura de pantalla. Las fuentes que contrastamos fueron llm-stats, BenchLM, el análisis de Fable 5 de DataCamp, CodingFleet y el paper arXiv de SWE-Bench Pro (2509.16941). Esto es lo que se sostuvo y lo que no.
La mayoría de los números Pro principales concuerdan limpiamente. BrowseComp 90,1%, FrontierMath Nivel 1–3 52,4% y Nivel 4 39,6%, y los precios $30/$180 coincidieron en todas las fuentes que revisamos. SWE-Bench Pro con 80,3% para Fable 5 frente a 58,6% para GPT-5.5 base, y FrontierCode Diamond con 29,3% frente a 5,7%, también se sostuvieron. El recuento de tareas de SWE-Bench Pro (1.865 problemas en 41 repositorios) viene directamente del paper, no de un blog de proveedor.
Tres cosas no concordaron, y deberías saberlo:
- Humanity's Last Exam con herramientas, para Fable 5, aparece en cualquier punto entre 56,8% y 59,0% según la fuente. Citamos el rango en lugar de elegir un favorito.
- Los números de Terminal-Bench varían entre las versiones 2.0 y 2.1 en las tablas de OpenAI y Anthropic, por lo que la diferencia GPT-5.5 (83,4%) vs Fable (88,0%) no es una comparativa perfectamente equiparable.
- La puntuación de Investment Banking Modeling (88,6% Pro) está etiquetada como "interna" por OpenAI, lo que significa que ningún rastreador independiente puede confirmarla. La marcamos como afirmación del proveedor cada vez que aparece.
Esta es la versión honesta. Los números que presentamos como hechos coincidieron en al menos dos fuentes independientes; todo lo demás está atribuido a quien lo reportó. No ejecutamos GPT-5.5 Pro nosotros mismos: a $30/$180 por millón de tokens, una prueba comparativa seria no es algo que vayamos a fingir, así que no pretendemos tener resultados de laboratorio que no tenemos.
Resultados Reales que los Proveedores Están Reportando
Estas son afirmaciones de los proveedores, no resultados de laboratorio independientes, así que léelas como evidencia adyacente al marketing. OpenAI y Anthropic publicaron casos de uso que pintan un cuadro favorable. Los listamos atribuidos, con la advertencia de que ninguno fue verificado por nosotros.
Del lado de OpenAI, la empresa dice que un equipo de finanzas usó Codex con GPT-5.5 para revisar 24.771 formularios fiscales K-1 (71.637 páginas), terminando aproximadamente dos semanas más rápido que el proceso del año anterior. OpenAI también reporta una aplicación de geometría algebraica funcional construida desde un único prompt en 11 minutos, y un análisis de GPT-5.5 Pro de un conjunto de datos de expresión génica que abarca 62 muestras y aproximadamente 28.000 genes.
Del lado de Anthropic, Stripe (reportado a través de Anthropic) usó Fable 5 para ejecutar una migración de base de código en un repositorio Ruby de 50 millones de líneas en un solo día, frente a los más de 2 meses estimados a mano. Anthropic también dice que Fable 5 completó Pokémon FireRed a partir de capturas de pantalla sin procesar, donde modelos anteriores de Claude necesitaban herramientas de scaffolding adicionales, y que con memoria persistente basada en archivos jugó a Slay the Spire aproximadamente 3× mejor que Opus 4.8.
Demos impresionantes, todos ellos. Recuerda solo que los eligen los propios proveedores y no son reproducibles a partir del comunicado de prensa.
¿Qué Modelo Deberías Usar Realmente?
Elige el modelo según el trabajo, no según el hype. Para agentes de codificación y repositorios grandes, usa Claude Fable 5 si está disponible, y GPT-5.5 base dentro de un scaffold de codificación si no lo está. Para investigación, matemáticas avanzadas y navegación profunda, GPT-5.5 Pro es la opción. Para el trabajo diario y la eficiencia de costes, GPT-5.5 base gana en valor casi siempre.
Algunos apuntes si estás eligiendo un stack en lugar de una sola llamada. Si quieres un sistema de codificación autónomo, necesitas una herramienta, no un modelo en crudo, así que empieza con los mejores agentes de codificación IA en 2026 y el resumen de agentes de codificación en segundo plano comparados para el contexto de Codex y Devin. ¿Curioso sobre el futuro de la familia? Aquí está lo que se está filtrando sobre GPT-5.6.
En Techsy enrutamos por tarea en nuestros pipelines de agentes: modelos de razonamiento de primer nivel para las decisiones difíciles y modelos más baratos para el resto, en lugar de pagar tarifas premium en cada solicitud. Si quieres una segunda opinión sobre tu propia combinación de modelos, solicita una consulta gratuita.
Sobre el Autor
Mert Batur es cofundador de Techsy.io, donde el equipo construye agentes de IA, sistemas de automatización y pipelines de voz/SDR para clientes B2B. Escribe sobre el stack de herramientas LLM que el equipo de Techsy usa en producción. Conéctate en LinkedIn.
Preguntas Frecuentes
¿Vale la pena GPT-5.5 Pro?
Depende del trabajo. Para investigación difícil, matemáticas avanzadas y navegación profunda, las ganancias de GPT-5.5 Pro sobre el base (BrowseComp 90,1% vs 84,4%) justifican el precio aproximadamente 6× de $30/$180 por millón de tokens. Para redacción cotidiana, revisión de código y resúmenes, GPT-5.5 base ofrece casi la misma calidad por un sexto del coste.
¿Es GPT-5.5 Pro mejor que Claude Fable 5?
En los benchmarks de codificación publicados, no: Claude Fable 5 supera al GPT-5.5 base en SWE-Bench Pro (80,3% vs 58,6%), y OpenAI nunca publicó una puntuación de codificación Pro para comparar. GPT-5.5 Pro gana en navegación y matemáticas avanzadas. Un matiz importante: Fable 5 está actualmente suspendido bajo una directiva de control de exportaciones de EE. UU., así que la disponibilidad importa tanto como el benchmark.
¿Qué tan bueno es GPT-5.5 Pro en codificación?
Honestamente, no podemos saberlo por los números de OpenAI, porque OpenAI no publicó una puntuación de codificación para GPT-5.5 Pro. La única cifra de codificación de la familia es el resultado SWE-Bench Pro del GPT-5.5 base: 58,6%, que queda por detrás del 80,3% de Claude Fable 5. Quien cite un "benchmark de codificación Pro" probablemente está citando el número base por error.
GPT-5.5 Pro vs GPT-5.5 estándar — ¿cuál debo usar?
Usa GPT-5.5 Pro para investigación difícil, matemáticas avanzadas y navegación profunda multistep, donde su cómputo paralelo adicional justifica el precio 6×. Usa GPT-5.5 base para el trabajo diario, revisión de código y resúmenes, donde el premium aporta poco. En algunas pruebas, como GDPval, la tabla de OpenAI incluso lista a Pro ligeramente por debajo del base.
¿Cuánto cuesta GPT-5.5 Pro?
GPT-5.5 Pro cuesta $30 por millón de tokens de entrada y $180 por millón de tokens de salida, aproximadamente 6× el $5/$30 del GPT-5.5 base. Para comparar, Claude Fable 5 se sitúa en $10/$50. En cargas de trabajo con mucha salida, el premium Pro se acumula rápido, así que enrutar por dificultad de tarea en lugar de usar Pro por defecto supone un ahorro real.
¿Qué es el esfuerzo de razonamiento "xhigh"?
El esfuerzo de razonamiento es el parámetro que controla cuánto piensa GPT-5.5 antes de responder. "xhigh" es el nivel más alto, donde el modelo usa cómputo paralelo en tiempo de inferencia para explorar varios caminos de razonamiento y elegir el mejor. OpenAI ejecutó sus evaluaciones publicadas de GPT-5.5 Pro en xhigh dentro de un entorno de investigación, que difiere del valor por defecto de ChatGPT en producción.
¿Está disponible GPT-5.5 Pro en Codex?
Sí. Puedes llamar a GPT-5.5 Pro en Codex CLI usando el string de modelo gpt-5.5-pro, y configurar el esfuerzo de razonamiento en xhigh para el comportamiento de mayor cómputo. Espera mayor latencia y un coste de tokens notablemente más alto que el GPT-5.5 base, así que resérvalo para las tareas genuinamente difíciles en lugar de usarlo como tu modelo de codificación por defecto.
¿Es GPT-5.5 Pro un modelo nuevo?
No. GPT-5.5 Pro es el mismo modelo GPT-5.5 ejecutándose con más esfuerzo de razonamiento y cómputo paralelo en tiempo de inferencia en el ajuste xhigh, no una arquitectura separada. Comparte los mismos pesos y la misma ventana de contexto de aproximadamente 1,1M de tokens de entrada y 128K de salida. Estás pagando por más tiempo de razonamiento, no por un modelo base más inteligente.
¿Cuál es la ventana de contexto de GPT-5.5 Pro?
GPT-5.5 Pro tiene una ventana de contexto de aproximadamente 1,1M tokens de entrada y 128K tokens de salida, igual que el GPT-5.5 base. Es suficiente para cargar grandes bases de código o documentos largos en una sola llamada. La diferencia entre Pro y base no es el tamaño de la memoria; es cuánto cómputo de razonamiento invierte el modelo antes de responder.