GPT-5.5 Proベンチマーク：OpenAIが公開した数値（そして公開しなかった数値）
OpenAIは2026年4月23日にGPT-5.5 Proをリリースし、入力トークン100万あたり30ドル、出力トークン100万あたり180ドルという価格を設定した。これはベース版GPT-5.5の5ドル/30ドルの6倍に相当する。この金額を払えば、より高い計算量で動作するバリアントが手に入り、BrowseCompで90.1%を記録する。しかし、誰も見出しに書かない部分がある。OpenAI自身の評価表では、GPT-5.5 Proのコーディングの行が空白なのだ。コンピュータ操作も同様。ロングコンテキストも同様。つまり、このモデルのSWE-Bench Proスコアを検索しても、見つかるものは存在しない。我々は公開された表を精査し、すべての数値を自ら判定した。
端的な回答：
- GPT-5.5 Proは、GPT-5.5の高計算量バリアント（2026年4月23日リリース）であり、新モデルではない。
- ブラウジング（BrowseComp 90.1%）と最先端数学では首位に立つが、OpenAIはコーディング、コンピュータ操作、ロングコンテキストの行を空白のまま残した。
- 存在するコーディングの行では、ベース版GPT-5.5はClaude Fable 5に後れを取る（SWE-Bench Pro 58.6%対80.3%）。
- Claude Fable 5は現在提供停止中（米国の輸出規制指令、2026年6月12日頃）であり、その優位性には「現時点では購入できない」という但し書きが付く。
手法について一言。ベンチマーク記事では速さより正確さが重要だからだ。以下の数値は、OpenAIおよびAnthropicの公開表、そしてSWE-Bench Pro論文（arXiv 2509.16941）と照合済みである。単一ベンダーのみが報告している数値については、その旨を明記する。OpenAIがProのスコアを公開していない箇所では、ベース版の数値をこっそり差し替えるのではなく「未公開」と記載する。
GPT-5.5 Proベンチマーク：OpenAIが実際に公開したもの
GPT-5.5 Proの公開ベンチマークがカバーするのはごく狭い範囲、すなわちブラウジング、最先端数学、専門的知識業務、遺伝学、広範な推論である。OpenAIはすべての評価を研究環境において推論努力xhighで実行しており、これは本番のChatGPTのデフォルト設定とは異なる。目玉となる数値は**BrowseComp 90.1%**で、ベース版GPT-5.5の84.4%を大きく上回る。
以下が全体像を示す表で、各テストについてOpenAIがProの個別スコアを公開したかを示す列を設けた：
| ベンチマーク | 測定内容 | GPT-5.5 Pro | GPT-5.5 ベース版 | Pro公開済み？ | 備考 |
|---|---|---|---|---|---|
| BrowseComp | 高難度Webブラウジング／情報探索 | 90.1% | 84.4% | はい | ベース版に対するPro最大の優位 |
| FrontierMath T1-3 | 高難度数学 | 52.4% | 51.7% | はい | 報告されているOpus 4.7（43.8%）を上回る |
| FrontierMath T4 | 最先端数学 | 39.6% | 35.4% | はい | 最難関の数学ティア |
| GDPval | 専門的知識業務 | 82.3%（主張） | 84.9% | はい（帰属表記） | OpenAIの表ではProがベース版を下回る |
| GeneBench | 多段階遺伝学 | 33.2%（主張） | 25.0% | はい（帰属表記） | OpenAIが大幅上昇を「報告」 |
| HLE（ツールなし） | 広範な高難度推論 | 43.1% | 41.4% | はい | 報告されているOpus 4.7（46.9%）を下回る |
| HLE（ツールあり） | ツール活用推論 | 57.2%（主張） | 52.2% | 一部 | ベース版52.2%は確認済み、Pro 57.2%は主張 |
| 投資銀行モデリング | 財務モデリング | 88.6%（社内） | 88.5% | 社内評価 | OpenAIがINTERNALと表記、参考程度に |
| SWE-Bench Pro | エージェント型コーディング | 未公開 | 58.6% | いいえ | 最大の空白 |
| OSWorld-Verified | コンピュータ操作 | 未公開 | 78.7% | いいえ | Proは空白 |
| サイバーセキュリティ | セキュリティタスク | 未公開 | 非掲載 | いいえ | Proは空白 |
| ロングコンテキスト | 長文書の記憶 | 未公開 | 非掲載 | いいえ | Proは空白 |
下部のブロックをよく読んでほしい。OpenAIはブラウジングと数学についてGPT-5.5 Proのスコアを公開したが、コーディング、コンピュータ操作、サイバーセキュリティ、ロングコンテキストの行は空白のまま残した。BrowseComp、FrontierMath、GDPvalベース版の数値は二次的なトラッカーで確認済みである。GDPval-Proの82.3%、GeneBenchの33.2%、投資銀行の数値はOpenAIが報告しているものの、独立した検証はされていないため、断定ではなく帰属表記としている。
「Pro」の本当の意味：並列テスト時計算であり、新モデルではない
GPT-5.5 Proは、同じGPT-5.5モデルをはるかに多くの推論努力で動作させているものであり、異なるアーキテクチャではない。新しいエンジンというより、同じエンジンが回答前により長く、かつ並列に動作しているものと考えるべきだ。OpenAIはこの設定を推論努力（reasoning effort）と呼び、Proはそれを最上位ティアのxhighに固定している。
GPT-5.5 ProはGPT-5.5とは別のモデルか？
いいえ。同じ重み、同じ学習である。人々がgpt 5.5 pro vs gpt 5.5 thinkingやvs xhighと検索するとき、実際に問うているのは一つのダイヤル、すなわちモデルが回答前にどれだけ深く考えるかということだ。「並列テスト時計算」とは、モデルが複数の推論パスを同時に探索し最良のものを選ぶことを意味し、より多くのトークンと実時間を要する。その追加計算量こそが、6倍の価格を払う理由である。
それ以外の仕様は共通である。GPT-5.5 Proのコンテキストウィンドウはおおよそ入力110万トークン、出力12.8万トークンである。つまり、より大きなメモリやより賢いベースモデルを買っているのではない。すでに知っているモデルに対して、より多くの思考時間を買っているのだ。
GPT-5.5 Pro対GPT-5.5（標準版）：6倍の価格が活きる場面
GPT-5.5 Proは、最も難しいタスク、すなわちブラウジング、最先端数学、遺伝学でベース版GPT-5.5を上回る。日常的な作業ではその恩恵は最小限である。最も明確な差は**BrowseComp 90.1%対84.4%**で、深いWebリサーチにおいて5.7ポイントの向上となる。FrontierMathティア4では35.4%から39.6%へと上昇する。
しかし、計算量を増やせば常にスコアが上がるとは限らない。GDPvalでは、OpenAIの表においてProがベース版GPT-5.5より低い（主張値82.3%対確認済み84.9%）。これは直感に反し、Proが生の勝利の一部をキャリブレーションと引き換えにしていると報告されている。要点は変わらない：多く払えば保証されるわけではない。
Proがリードする場面：
- BrowseComp：90.1%対84.4%（+5.7）
- FrontierMath T4：39.6%対35.4%（+4.2）
- GeneBench：33.2%対25.0%（OpenAIの主張）
- HLEツールあり：57.2%（主張）対52.2%（確認済みベース版）
横ばいか劣る場面：
- GDPval：82.3%（主張）対ベース版84.9%
- HLEツールなし：43.1%対41.4%、ほぼ動きなし
作業の大半が日常的なドラフト作成、コードレビュー、要約であれば、6倍のプレミアムを正当化するのは難しい。計算が成り立つのは、タスクが本当に難しい場合に限られる。コストの話が出たので：請求額が問題なら、我々のガイドLLM APIコストを削減するでは、容易な80%には安価なモデルをルーティングし、難しい20%にProを温存する方法を解説している。
GPT-5.5 Pro対Claude Fable 5
両ベンダーが報告しているコーディングベンチマークにおいて、Claude Fable 5はベース版GPT-5.5を圧倒的に上回る。しかしFable 5は現在提供停止中であり、その勝利には但し書きが付く。しかもこの比較は見かけよりややこしい。OpenAIはGPT-5.5 Proのコーディングスコアを一切公開していないからだ。したがって、正直な比較はコーディングにおいてFable 5対ベース版GPT-5.5であり、Proは不在である。
以下が三者比較の表である。Fable 5の数値はAnthropicの公開表に帰属する。空白のProセルは、まさに空白そのものである：
| テスト | GPT-5.5 ベース版 | GPT-5.5 Pro | Claude Fable 5 | 勝者 |
|---|---|---|---|---|
| SWE-Bench Pro | 58.6% | 未公開 | 80.3% | Fable 5 |
| FrontierCode Diamond | 5.7% | 未公開 | 29.3% | Fable 5 |
| Terminal-Bench | 83.4%（v2.1） | 未公開 | 88.0%（v2.1） | Fable 5 |
| OSWorld-Verified | 78.7% | 未公開 | 85.0% | Fable 5 |
| HLE（ツールなし） | 41.4% | 43.1% | 56.8-59.0% | Fable 5 |
| HLE（ツールあり） | 52.2% | 57.2%（主張） | 64.5% | Fable 5 |
| BrowseComp | 84.4% | 90.1% | 未公開 | GPT-5.5 Pro |
| FrontierMath T4 | 35.4% | 39.6% | 非報告 | GPT-5.5 Pro |
| GDPval-AA | 1769 | 未公開 | 1932 | Fable 5 |
この表には二つの注意点がある。第一に、Terminal-Bench：ベース版GPT-5.5はv2.0で82.7%、v2.1で83.4%を記録する一方、Fableの88.0%はv2.1のものであり、差を断定する前に同じバージョンを読んでいるか確認すべきである。第二に、GDPval-AAはパーセンテージではない。これはElo形式のスコア（Fable 1932対ベース版GPT-5.5 1769）であり、まったく異なる尺度なので、パーセンテージの行と頭の中で並べてはいけない。HLEツールなしのFableの数値も出所によってぶれる：CodingFleetは56.8%と記載する一方、他のまとめでは59.0%となっているため、我々は範囲で報告する。
SWE-Bench Proは、エージェント型コーディングの指標として据えるべきベンチマークである。これは41のアクティブなリポジトリにまたがる1,865問（arXiv 2509.16941による）で構成され、シニアエンジニアが数時間から数日を要し、複数ファイルにまたがるパッチを必要とするタスクを含む。このテストにおいて、Fable 5の80.3%対ベース版GPT-5.5の58.6%は大きな差である。
さて、但し書きについて。Claude Fable 5は2026年6月に提供停止となった（米国の輸出規制指令、6月12日頃）。したがって「Fableがコーディングで勝つ」は数値上は正しく、現時点では購入の場では意味をなさない。Anthropic側のより深い全体像を知りたければ、Claude Fable 5の完全解説を参照されたい。GPT-5.5の表が数学で比較対象としているモデルについては、Claude Opus 4.8を参照のこと。
OpenAIがPro向けに公開しなかったベンチマーク
OpenAIは、コーディング（SWE-Bench Pro）、コンピュータ操作（OSWorld-Verified）、サイバーセキュリティ、ロングコンテキストの記憶、抽象推論について、GPT-5.5 Proのスコアを一切公開しなかった。これらの行は公式表で空白である。空白は、モデルがそれらを苦手としていることを意味しない。公開された数値が存在しないということであり、数値を引用している者は推測しているか、ベース版のスコアを誤って引用しているかのどちらかである。
これが重要なのは、最も検索される空白だからである。GPT-5.5 ProのSWE-Bench Proスコアを検索しても、存在しない。OpenAIはそれを公開しなかったのだ。GPT-5.5ファミリーにおいてこのベンチマークで存在する唯一の数値はベースモデルの58.6%であり、それはベース版の数値であってProの数値ではない。我々は意図的にそのように明示している。
責任を持って言えること：
- コーディング（SWE-Bench Pro）：Proは未公開。ベース版GPT-5.5 = 58.6%（ベース版であり、Proではない）。
- コンピュータ操作（OSWorld-Verified）：Proは未公開。ベース版 = 78.7%（ベース版であり、Proではない）。
- サイバーセキュリティ：Proは未公開、表に有用なベース版の代替数値もなし。
- ロングコンテキスト：Proは未公開、有用なベース版の代替数値なし。
- 抽象推論：Proは未公開。
Proの並列計算がこれらのベース版の数値を押し上げるだろうか？ブラウジングと数学のパターンを見る限り、おそらくそうだろう。しかし「おそらく」はベンチマークではなく、我々はOpenAIが公開していない数値を掲載しない。その自制こそが、このセクションが存在する理由そのものである。
価格：5ドル/30ドル対30ドル/180ドル対10ドル/50ドル — Proは6倍の価値があるか？
GPT-5.5 Proの価格はベース版GPT-5.5のおおよそ6倍：トークン100万あたり入力30ドル、出力180ドルで、ベース版は5ドル/30ドルである。Claude Fable 5はその中間の10ドル/50ドルに位置する。難しいリサーチや最先端数学には価値があるが、日常的な作業では価値があることは稀である。
| モデル | 入力 / 100万 | 出力 / 100万 | 相対コスト |
|---|---|---|---|
| GPT-5.5 ベース版 | $5 | $30 | 1倍（基準） |
| Claude Fable 5 | $10 | $50 | 入力約2倍、出力約1.7倍 |
| GPT-5.5 Pro | $30 | $180 | ベース版の約6倍 |
では、実際に誰がプレミアムを払うべきか？用途別の大まかな判定：
- 難しいリサーチ、最先端数学、深い多段階ブラウジング：GPT-5.5 Proがその価値を生む。ベンチマーク上の優位は本物であり、タスクの価値も高い。
- 大規模リポジトリでのエージェント型コーディング：可能ならFable 5、無理ならコーディング用足場で包んだベース版GPT-5.5。未公開のコーディングスコアにProの価格を払うのは悪い賭けである。
- 日常的なドラフト作成、要約、コードレビュー、サポート：ベース版GPT-5.5。6倍の出費はここではほぼ何も買わない。
罠は、「念のため」とすべてをProにデフォルト設定することである。出力の多いワークロードでは、その180ドルという数字が急速に膨らむ。難易度でルーティングすれば、請求額のごく一部で品質の大部分を維持できる（詳細は我々のLLM APIコストガイドで）。
これらの数値をどう検証したか（そして出所が食い違う箇所）
これらの数値を本記事に掲載する前に、我々は地味な作業を行った：OpenAIが公開したGPT-5.5の評価表を精査し、一枚のスクリーンショットを信じるのではなく、すべてのProの行を独立したトラッカーと照合した。参照した出所は、llm-stats、BenchLM、DataCampのFable 5解説、CodingFleet、そしてarXivのSWE-Bench Pro論文（2509.16941）である。以下が、裏付けられたものとそうでないものである。
目玉となるProの数値のほとんどはきれいに一致する。BrowseComp 90.1%、FrontierMathティア1〜3の52.4%とティア4の39.6%、そして30ドル/180ドルの価格は、我々が確認したすべての出所で一致した。SWE-Bench ProのFable 5 80.3%対ベース版GPT-5.5 58.6%、FrontierCode Diamondの29.3%対5.7%も裏付けられた。そしてSWE-Bench Proのタスク数（41リポジトリにまたがる1,865問）はベンダーのブログではなく、論文から直接得たものである。
三つの点は一致しなかった。知っておくべきである：
- Humanity's Last Exam（ツールあり）のFable 5は、出所によって56.8%から59.0%まで幅がある。我々は好みの数値を選ぶのではなく、範囲を引用する。
- Terminal-Benchの数値は、OpenAIとAnthropicの表の間でバージョン2.0と2.1が混在しており、GPT-5.5（83.4%）対Fable（88.0%）の差はきれいな同一条件での比較ではない。
- 投資銀行モデリングのスコア（Pro 88.6%）はOpenAIが「internal（社内）」と表記しており、独立したトラッカーでは確認できないことを意味する。我々は登場するたびにベンダーの主張として明示する。
これが正直な版本である。事実として提示する数値は、少なくとも二つの独立した出所で一致した。それ以外はすべて、報告した者に帰属させている。我々はGPT-5.5 Proを自ら実行してはいない。トークン100万あたり30ドル/180ドルでは、本格的な直接対決の実行は我々がでっち上げるべきものではなく、持っていない実験結果を持っているふりをするつもりもない。
ベンダーが報告している実世界の成果
これらはベンダーの主張であり、独立した実験結果ではないため、マーケティング寄りの証拠として読んでほしい。OpenAIとAnthropicはそれぞれ、好意的な印象を与えるケーススタディを公開している。我々はこれらを帰属表記付きで列挙するが、いずれも我々が検証したものではないという但し書きを添える。
OpenAI側では、同社によると、ある金融チームがCodexとGPT-5.5を使い、24,771件のK-1税務申告書（71,637ページ）をレビューし、前年のプロセスより約2週間早く完了したという。OpenAIはまた、単一のプロンプトから11分で構築された動作する代数幾何アプリ、そして62サンプル・約28,000遺伝子にわたる遺伝子発現データセットのGPT-5.5 Proによる分析も報告している。
Anthropic側では、Stripe（Anthropic経由で報告）がFable 5を使い、5,000万行のRubyコードベース全体の移行を手作業で推定2ヶ月以上かかるところを一日で完了したという。Anthropicはまた、Fable 5が生スクリーンショットからPokémon FireRedをクリアした（以前のClaudeモデルでは追加の足場ツールが必要だった）こと、そして永続的なファイルベースのメモリによりSlay the SpireをOpus 4.8の約3倍うまくプレイしたことも述べている。
いずれも見事なデモである。ただし、これらはベンダーが選んだものであり、プレスリリースだけでは再現できないことを忘れてはならない。
実際にどのモデルを使うべきか？
モデルは話題ではなく、 hype（誇大宣伝）ではなく、仕事に合わせよ。コーディングエージェントや大規模リポジトリには、利用可能ならClaude Fable 5を、無理ならコーディング用足場で包んだベース版GPT-5.5を手に取れ。リサーチ、最先端数学、深いブラウジングには、GPT-5.5 Proが最適である。日常的な作業とコスト効率には、ベース版GPT-5.5がほぼ常にコストパフォーマンスで勝る。
単一の呼び出しではなくスタックを選ぶ場合の指針をいくつか。実際に自律的なコーディングシステムが欲しいなら、必要なのは生のモデルではなくツールである。したがって、まずは2026年のベストAIコーディングエージェントとバックグラウンドコーディングエージェント比較のまとめから始め、CodexとDevinの文脈を押さえよ。このファミリーの次が気になるなら？GPT-5.6のリーク情報はこちら。
Techsyでは、エージェントパイプライン全体でタスクごとにルーティングしている。難しい判断には最上位の推論モデルを、それ以外には安価なモデルを使い、すべてのリクエストにプレミアム料金を払うことはしない。自社のモデル構成についてセカンドオピニオンが欲しければ、無料相談はこちら。
著者について
Mert Batur GurbuzはTechsy.ioの共同創業者であり、同チームはB2Bクライアント向けにAIエージェント、自動化システム、音声/SDRパイプラインを提供している。バーミンガム大学で学び、Techsyチームが実際に本番環境で使用しているLLMツールスタックについて執筆している。LinkedInでつながろう。
よくある質問
GPT-5.5 Proは価値があるか？
仕事による。難しいリサーチ、最先端数学、深いブラウジングには、GPT-5.5 Proのベース版に対する優位（BrowseComp 90.1%対84.4%）が、トークン100万あたり30ドル/180ドルという約6倍の価格を正当化する。日常的なドラフト作成、コードレビュー、要約には、ベース版GPT-5.5が6分の1のコストでほぼ同等の品質を提供する。
GPT-5.5 ProはClaude Fable 5より優れているか？
公開されているコーディングベンチマークでは、いいえ：Claude Fable 5はSWE-Bench Proでベース版GPT-5.5を上回り（80.3%対58.6%）、OpenAIは比較できるProのコーディングスコアを公開しなかった。GPT-5.5 Proはブラウジングと最先端数学で勝る。一つ落とし穴がある：Fable 5は現在、米国の輸出規制指令により提供停止中であり、ベンチマークと同じくらい入手可能性が重要である。
GPT-5.5 Proはコーディングがどれくらいうまいか？
正直なところ、OpenAIの数値からは判断できない。OpenAIがGPT-5.5 Proのコーディングスコアを公開していないからだ。このファミリーで唯一のコーディング数値は、ベース版GPT-5.5のSWE-Bench Pro結果58.6%であり、Claude Fable 5の80.3%に後れを取る。「Proのコーディングベンチマーク」を引用している者は、おそらくベース版の数値を誤って引用している。
GPT-5.5 Pro対GPT-5.5標準版 — どちらを使うべきか？
難しいリサーチ、最先端数学、深い多段階ブラウジングにはGPT-5.5 Proを使え。追加の並列計算が6倍の価格に見合う場面である。日常的な作業、コードレビュー、要約にはベース版GPT-5.5を使え。プレミアムがほとんど活きない場面である。GDPvalなど一部のテストでは、OpenAIの表でProがベース版をわずかに下回ることすらある。
GPT-5.5 Proの価格はいくらか？
GPT-5.5 Proは入力トークン100万あたり30ドル、出力トークン100万あたり180ドルで、ベース版GPT-5.5の5ドル/30ドルの約6倍である。比較対象として、Claude Fable 5は10ドル/50ドルに位置する。出力の多いワークロードではProのプレミアムが急速に膨らむため、Proをデフォルトにするのではなくタスクの難易度でルーティングすれば、実際のお金を節約できる。
推論努力「xhigh」とは？
推論努力とは、GPT-5.5が回答前にどれだけ深く考えるかを制御するダイヤルである。「xhigh」は最上位ティアで、モデルが並列テスト時計算を用いて複数の推論パスを探索し、最良のものを選ぶ。OpenAIは公開したGPT-5.5 Proの評価を研究環境でxhighで実行しており、これは本番のChatGPTのデフォルト設定とは異なる。
GPT-5.5 ProはCodexで利用可能か？
はい。Codex CLIでモデル文字列gpt-5.5-proを使ってGPT-5.5 Proを呼び出せ、推論努力をxhighに設定すれば最高計算量の動作が得られる。ベース版GPT-5.5より高いレイテンシと、目に見えて高いトークンコストを想定すべきであり、デフォルトのコーディングモデルとして常用するのではなく、本当に難しいタスクに温存すべきである。
GPT-5.5 Proは新モデルか？
いいえ。GPT-5.5 Proは、同じGPT-5.5モデルを、xhigh設定でより多くの推論努力と並列テスト時計算を用いて動作させているものであり、別のアーキテクチャではない。同じ重みと、おおよそ入力110万・出力12.8万トークンという同じコンテキストウィンドウを共有する。払っているのはより多くの思考時間であり、より賢いベースモデルではない。
GPT-5.5 Proのコンテキストウィンドウは？
GPT-5.5 Proのコンテキストウィンドウは、入力約110万トークン、出力12.8万トークンで、ベース版GPT-5.5と同じである。大規模なコードベースや長文書を一度の呼び出しで読み込むのに十分である。Proとベース版の違いはメモリの大きさではなく、回答前にモデルが費やす推論計算量である。