GPT-5.5 Pro benchmarks: Tallene OpenAI publiserte (og de de ikke publiserte)

GPT-5.5 Pro benchmarks: Tallene OpenAI publiserte (og de de ikke publiserte)

OpenAI lanserte GPT-5.5 Pro 23. april 2026 til en pris på $30 per million input-tokens og $180 per million output-tokens. Det er 6× base GPT-5.5 til $5/$30. For pengene får du en variant med høyere beregningskapasitet som scorer 90,1% på BrowseComp. Men her er det ingen fremhever: OpenAIs egen eval-tabell lar raden for GPT-5.5 Pro-koding stå blank. Samme for datamaskinbruk. Samme for lange kontekster. Søker du derfor etter modellens SWE-Bench Pro-score, finner du ingen. Vi hentet den publiserte tabellen og vurderte hvert tall selv.

Kort svar:

• GPT-5.5 Pro er OpenAIs variant av GPT-5.5 med høyere beregningskapasitet (utgitt 23. april 2026), ikke en ny modell.
• Den leder på nettsøk (BrowseComp 90,1%) og avansert matematikk, men OpenAI lot rad for koding, datamaskinbruk og lange kontekster stå tomme.
• På kodingsradene som finnes, henger base GPT-5.5 etter Claude Fable 5 (SWE-Bench Pro 58,6% vs. 80,3%).
• Claude Fable 5 er for øyeblikket suspendert (amerikansk eksportkontrolldirektiv, rundt 12. juni 2026), så seierene kommer med et "kan ikke kjøpes nå"-forbehold.

En rask metodenote, fordi nøyaktighet veier tyngre enn fart i en benchmark-artikkel: tallene nedenfor er krysssjekket mot OpenAIs og Anthropics publiserte tabeller og SWE-Bench Pro-artikkelen (arXiv 2509.16941). Der bare én leverandør rapporterer et tall, sier vi det. Der OpenAI aldri publiserte en Pro-score, skriver vi "ikke publisert" i stedet for stille å bytte inn basetallet.

GPT-5.5 Pro benchmarks: Hva OpenAI faktisk publiserte

GPT-5.5 Pros publiserte benchmarks dekker et smalt utvalg: nettsøk, avansert matematikk, profesjonelt kunnskapsarbeid, genetikk og bred resonnering. OpenAI kjørte alle evalueringer ved resonneringsinnsats xhigh i et forskningsmiljø, noe som avviker fra standard ChatGPT-innstilling i produksjon. Overskriftstallet er BrowseComp 90,1%, godt foran base GPT-5.5s 84,4%.

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

Les den nederste blokken nøye. OpenAI publiserte GPT-5.5 Pro-scorer for nettsøk og matematikk, men lot radene for koding, datamaskinbruk, cybersikkerhet og lange kontekster stå tomme. BrowseComp-, FrontierMath- og GDPval-base-tallene er bekreftet mot uavhengige sporere; GDPval-Pro 82,3%, GeneBench 33,2% og Investment Banking-tallet er rapportert av OpenAI, men ikke uavhengig verifisert, så vi tilskriver dem i stedet for å fastslå dem som fakta.

Hva "Pro" faktisk betyr: Parallell test-time compute, ikke en ny modell

GPT-5.5 Pro er den samme GPT-5.5-modellen som kjører med langt mer resonneringsinnsats, ikke en annen arkitektur. Tenk på det mindre som en ny motor og mer som den samme motoren som kjører lenger og parallelt før den svarer. OpenAI kaller innstillingen resonneringsinnsats, og Pro pinner den på toppnivå: xhigh.

Er GPT-5.5 Pro en annen modell enn GPT-5.5?

Nei. Samme vekter, samme trening. Når folk søker etter gpt 5.5 pro vs gpt 5.5 thinking eller vs xhigh, spør de egentlig om én innstilling: hvor hardt modellen tenker før den svarer. "Parallell test-time compute" betyr at modellen utforsker flere resonneringsveier samtidig og velger den beste, noe som koster flere tokens og mer tid. Det er den ekstra beregningen du betaler 6× for.

Spesifikasjonene er ellers delte. GPT-5.5 Pro har et kontekstvindu på omtrent 1,1M tokens input og 128K output. Du kjøper ikke mer minne eller en smartere basemodell. Du kjøper mer tenketid på modellen du allerede kjenner.

GPT-5.5 Pro vs. GPT-5.5 (standard): Hva 6×-prisen gir deg

GPT-5.5 Pro slår base GPT-5.5 på de vanskeligste oppgavene: nettsøk, avansert matematikk og genetikk. Det gir deg minst på rutinearbeid. Den reneste gevinsten er BrowseComp 90,1% vs. 84,4%, et løft på 5,7 prosentpoeng for dypt nettsøk. På FrontierMath Tier 4 klatrer den til 39,6% fra 35,4%.

Men mer beregning betyr ikke alltid høyere score. På GDPval lister faktisk OpenAIs tabell Pro lavere enn base GPT-5.5 (82,3% påstått vs. 84,9% bekreftet). Det er kontraintuitivt, og det er rapportert som at Pro bytter noen rene seiere mot kalibrering. Poenget er klart: å betale mer er ingen garanti.

Der Pro drar ifra:

• BrowseComp: 90,1% vs. 84,4% (+5,7)
• FrontierMath T4: 39,6% vs. 35,4% (+4,2)
• GeneBench: 33,2% vs. 25,0% (påstått av OpenAI)
• HLE med verktøy: 57,2% (påstått) vs. 52,2% (bekreftet base)

Der det er flatt eller dårligere:

• GDPval: 82,3% (påstått) vs. 84,9% base
• HLE uten verktøy: 43,1% vs. 41,4%, knapt et løft

Jobber du mest med daglig skriving, kodegjennomgang og oppsummeringer, er 6×-premien vanskelig å forsvare. Matematikken snur bare når oppgaven er genuint vanskelig. Siden vi er inne på kostnader: er regningen problemet, dekker guiden vår for å redusere LLM API-kostnader ruting av billigere modeller til de enkle 80% og forbeholde Pro til de vanskelige 20%.

GPT-5.5 Pro vs. Claude Fable 5

På kodingsbenchmarks som begge leverandører rapporterer, slår Claude Fable 5 base GPT-5.5 klart. Men Fable 5 er for øyeblikket suspendert, så seieren kommer med et forbehold. Og sammenligningen er mer komplisert enn den ser ut, fordi OpenAI ikke publiserte GPT-5.5 Pro-kodingsscorer i det hele tatt. Det ærlige møtet er egentlig Fable 5 mot base GPT-5.5 på koding, med Pro fraværende.

Her er trebordstabellen. Fable 5-tallene er tilskrevet Anthropics publiserte tabell; tomme Pro-celler er akkurat det:

To forbehold lever i den tabellen. For det første Terminal-Bench: base GPT-5.5 scorer 82,7% på v2.0 og 83,4% på v2.1, mens Fables 88,0% er på v2.1, så pass på at du leser samme versjon før du erklærer et gap. For det andre er GDPval-AA ikke en prosentandel. Det er en Elo-lignende score (1932 for Fable vs. 1769 for base GPT-5.5), en helt annen skala, så ikke mentalt sett den opp mot prosentrader. HLE uten verktøy for Fable svinger også etter kilde: CodingFleet lister 56,8% mens andre oppsummeringer sier 59,0%, så vi rapporterer intervallet.

SWE-Bench Pro er benchmark-ankerpunktet for agentisk koding. Den kjører 1 865 problemer på tvers av 41 aktive repositorier (ifølge arXiv 2509.16941), med oppgaver som tar en senioring.ingeniør timer eller dager og krever oppdateringer i flere filer. På den testen er Fable 5s 80,3% mot base GPT-5.5s 58,6% en stor margin.

Og forbeholdet. Claude Fable 5 ble suspendert i juni 2026 under et amerikansk eksportkontrolldirektiv (rundt 12. juni). "Fable vinner koding" er altså sant på tallene og for øyeblikket meningsløst i kassen. Vil du ha det dypere Anthropic-perspektivet, er her vår komplette Claude Fable 5-gjennomgang. For modellen GPT-5.5-tabellene benchmarkes mot på matematikk, se Claude Opus 4.8.

Benchmarks OpenAI IKKE publiserte for Pro

OpenAI ga aldri ut GPT-5.5 Pro-scorer for koding (SWE-Bench Pro), datamaskinbruk (OSWorld-Verified), cybersikkerhet, recall for lange kontekster eller abstrakt resonnering. De radene er tomme i den offisielle tabellen. Tom betyr ikke at modellen er dårlig på dem. Det betyr at det ikke finnes noe publisert tall, og alle som siterer ett enten gjetter eller siterer basescoren ved en feiltakelse.

Det betyr noe fordi det er det mest søkte gapet. Søkte du etter GPT-5.5 Pros SWE-Bench Pro-score, finnes den ikke. OpenAI publiserte den aldri. Det eneste tallet som eksisterer for den benchmarken i GPT-5.5-familien er basemodellens 58,6%, og det er et basetall, ikke et Pro-tall. Vi flagger det bevisst slik.

Hva vi ansvarlig kan si:

• Koding (SWE-Bench Pro): Pro ikke publisert. Base GPT-5.5 = 58,6% (base, ikke Pro).
• Datamaskinbruk (OSWorld-Verified): Pro ikke publisert. Base = 78,7% (base, ikke Pro).
• Cybersikkerhet: Pro ikke publisert, ingen brukbar base-proxy i tabellen.
• Lange kontekster: Pro ikke publisert, ingen brukbar base-proxy.
• Abstrakt resonnering: Pro ikke publisert.

Kan Pros parallelle beregning løfte disse basetallene? Sannsynligvis, gitt mønsteret på nettsøk og matematikk. Men "sannsynligvis" er ikke et benchmark, og vi trykker ikke et tall OpenAI ikke ga ut. Den tilbakeholdenheten er hele grunnen til at denne seksjonen finnes.

Priser: $5/$30 vs. $30/$180 vs. $10/$50 — er Pro verdt 6×?

GPT-5.5 Pro koster omtrent 6× base GPT-5.5: $30 input og $180 output per million tokens, mot base til $5/$30. Claude Fable 5 ligger mellom dem til $10/$50. Verdt det for hard forskning og avansert matematikk, sjelden verdt det for hverdagsarbeid.

Hvem bør egentlig betale premien? En grov vurdering etter jobb:

• Hard forskning, avansert matematikk, dypt flertrinns nettsøk: GPT-5.5 Pro tjener det. Benchmark-gevinstene er reelle og oppgaveverdien er høy.
• Agentisk koding på store repositorier: Fable 5 om du får tak i det, ellers base GPT-5.5 innpakket i et kode-scaffold. Å betale Pro-priser for en upublisert kodingsscore er dårlig kjøp.
• Daglig skriving, oppsummeringer, kodegjennomgang, support: base GPT-5.5. 6×-kostnadene kjøper nesten ingenting her.

Fellen er å sende alt til Pro "for sikkerhets skyld." På output-tunge arbeidsbelastninger bygger den $180-figuren seg opp fort. Rut etter vanskelighetsgrad og du beholder det meste av kvaliteten til en brøkdel av regningen (mer om det i guiden vår for LLM API-kostnader).

Slik sjekket vi tallene (og der kildene er uenige)

Før noen av disse tallene havnet i denne artikkelen, gjorde vi den kjedelige jobben: vi hentet OpenAIs publiserte GPT-5.5 eval-tabell og sjekket hver Pro-rad mot uavhengige sporere i stedet for å stole på ett skjermbilde. Kildene vi kryssrefererte var llm-stats, BenchLM, DataCamps Fable 5-gjennomgang, CodingFleet og arXiv SWE-Bench Pro-artikkelen (2509.16941). Her er hva som holdt og hva som ikke gjorde det.

De fleste overskrift-Pro-tallene stemmer godt. BrowseComp 90,1%, FrontierMath Tier 1–3 52,4% og Tier 4 39,6%, og $30/$180-prissettingen stemte på tvers av alle kildene vi sjekket. SWE-Bench Pro på 80,3% for Fable 5 mot 58,6% for base GPT-5.5, og FrontierCode Diamond på 29,3% mot 5,7%, holdt seg også — og SWE-Bench Pro-oppgaveantallet (1 865 problemer på tvers av 41 repositorier) kommer rett fra artikkelen, ikke en leverandørblogg.

Tre ting stemte ikke, og du bør vite om dem:

• Humanity's Last Exam, med verktøy, for Fable 5 vises alt fra 56,8% til 59,0% avhengig av kilde. Vi oppgir intervallet i stedet for å velge en favoritt.
• Terminal-Bench-tall flyter mellom versjon 2.0 og 2.1 på tvers av OpenAIs og Anthropics tabeller, så GPT-5.5 (83,4%) vs. Fable (88,0%) gapet er ikke et rent eple-mot-eple-tall.
• Investment Banking Modeling-scoren (88,6% Pro) er merket "intern" av OpenAI, noe som betyr at ingen uavhengig sporer kan bekrefte den. Vi flagger den som et leverandørpåstand hver gang den dukker opp.

Det er den ærlige versjonen. Tallene vi presenterer som fakta stemte på tvers av minst to uavhengige kilder; alt annet er tilskrevet den som rapporterte det. Vi kjørte ikke GPT-5.5 Pro selv — til $30/$180 per million tokens er en seriøs head-to-head-test ikke noe vi vil late som vi har gjort, så vi later ikke som vi har labresultater vi ikke har.

Virkelige resultater leverandørene rapporterer

Dette er leverandørpåstander, ikke uavhengige labresultater, så les dem som markedsføringsnær dokumentasjon. OpenAI og Anthropic publiserte begge casestudier som maler et flatterende bilde. Vi lister dem tilskrevet, med forbeholdet om at ingen ble verifisert av oss.

På OpenAI-siden sier selskapet at et finansteam brukte Codex med GPT-5.5 til å gjennomgå 24 771 K-1 skattemeldinger (71 637 sider), og ble omtrent to uker raskere ferdig enn fjorårets prosess. OpenAI rapporterer også en fungerende algebraisk geometri-app bygget fra én enkelt prompt på 11 minutter, og en GPT-5.5 Pro-analyse av et genuttrykksdatasett som spente over 62 prøver og omtrent 28 000 gener.

På Anthropic-siden brukte Stripe (rapportert via Anthropic) Fable 5 til å kjøre en kodebase-bred migrering på en 50 millioner linjer Ruby-kodebase på én dag, mot et estimert 2-pluss måneder for hånd. Anthropic sier også at Fable 5 fullførte Pokémon FireRed fra rå skjermbilder, der tidligere Claude-modeller trengte ekstra scaffold-verktøy, og at med vedvarende filbasert minne spilte den Slay the Spire omtrent 3× bedre enn Opus 4.8.

Imponerende demoer, alle sammen. Husk bare at de er valgt av leverandørene og ikke lar seg reprodusere fra pressemeldingen alene.

Hvilken modell bør du faktisk bruke?

Match modellen til jobben, ikke til hypen. For kodeagenter og store repositorier: bruk Claude Fable 5 om du har tilgang, og base GPT-5.5 innpakket i et kode-scaffold om du ikke har det. For forskning, avansert matematikk og dypt nettsøk er GPT-5.5 Pro valget. For daglig arbeid og kostnadseffektivitet vinner base GPT-5.5 på verdi nesten alltid.

Noen pekere om du velger en stack i stedet for én enkelt API-kall. Vil du ha et autonomt kodingssystem, trenger du et verktøy, ikke en rå modell, så start med de beste AI-kodeagentene i 2026 og sammenligning av bakgrunnkodingsagenter for Codex- og Devin-konteksten. Nysgjerrig på hvor familien går videre? Her er hva som lekker om GPT-5.6.

Hos Techsy ruter vi per oppgave på tvers av agent-pipelines — topp-resonnering for de vanskelige beslutningene og billigere modeller for resten, i stedet for å betale premiumpriser på hver eneste forespørsel. Ønsker du en second opinion på din egen modellmiks, få en gratis konsultasjon.

Ofte stilte spørsmål

Er GPT-5.5 Pro verdt det?

Det avhenger av jobben. For hard forskning, avansert matematikk og dypt nettsøk rettferdiggjør GPT-5.5 Pros gevinster over base (BrowseComp 90,1% vs. 84,4%) den omtrent 6×-prisen på $30/$180 per million tokens. For daglig skriving, kodegjennomgang og oppsummeringer gir base GPT-5.5 deg nesten samme kvalitet til en sjettedel av kostnaden.

Er GPT-5.5 Pro bedre enn Claude Fable 5?

På publiserte kodingsbenchmarks, nei: Claude Fable 5 slår base GPT-5.5 på SWE-Bench Pro (80,3% vs. 58,6%), og OpenAI publiserte aldri en Pro-kodingsscore å sammenligne med. GPT-5.5 Pro vinner på nettsøk og avansert matematikk. Ett forbehold: Fable 5 er for øyeblikket suspendert under et amerikansk eksportkontrolldirektiv, så tilgjengelighet teller like mye som benchmark.

Hvor god er GPT-5.5 Pro på koding?

Ærlig talt kan vi ikke si det ut fra OpenAIs tall, fordi OpenAI ikke publiserte noen GPT-5.5 Pro-kodingsscore. Det eneste kodingstallet for familien er base GPT-5.5s SWE-Bench Pro-resultat på 58,6%, som ligger bak Claude Fable 5s 80,3%. Alle som siterer en "Pro-kodingsbenchmark" siterer sannsynligvis basetallet ved en feiltakelse.

GPT-5.5 Pro vs. GPT-5.5 standard — hvilken bør jeg bruke?

Bruk GPT-5.5 Pro for hard forskning, avansert matematikk og dypt flertrinns nettsøk, der den ekstra parallelle beregningen rettferdiggjør 6×-prisen. Bruk base GPT-5.5 for daglig arbeid, kodegjennomgang og oppsummeringer, der premien kjøper lite. På noen tester, som GDPval, lister faktisk OpenAIs tabell Pro noe under base.

Hva koster GPT-5.5 Pro?

GPT-5.5 Pro koster $30 per million input-tokens og $180 per million output-tokens, omtrent 6× base GPT-5.5s $5/$30. Til sammenligning ligger Claude Fable 5 på $10/$50. På output-tunge arbeidsbelastninger bygger Pro-premien seg opp fort, så ruting etter oppgavevanskelighet i stedet for å standardisere på Pro sparer reelle penger.

Hva er resonneringsinnsats "xhigh"?

Resonneringsinnsats er innstillingen som styrer hvor hardt GPT-5.5 tenker før den svarer. "xhigh" er toppnivået, der modellen bruker parallell test-time compute til å utforske flere resonneringsveier og velge den beste. OpenAI kjørte sine publiserte GPT-5.5 Pro-evalueringer på xhigh i et forskningsmiljø, noe som avviker fra standard ChatGPT-innstilling i produksjon.

Er GPT-5.5 Pro tilgjengelig i Codex?

Ja. Du kan kalle GPT-5.5 Pro i Codex CLI med modellstrengen gpt-5.5-pro, og sette resonneringsinnsats til xhigh for høyeste beregningsatferd. Forvent høyere latens og merkbart høyere token-kostnad enn base GPT-5.5, så reserver det for genuint vanskelige oppgaver i stedet for å kjøre det som standard kodingsmodell.

Er GPT-5.5 Pro en ny modell?

Nei. GPT-5.5 Pro er den samme GPT-5.5-modellen som kjører med mer resonneringsinnsats og parallell test-time compute på xhigh-innstillingen, ikke en separat arkitektur. Den deler de samme vektene og det samme kontekstvinduet på omtrent 1,1M input og 128K output-tokens. Du betaler for mer tenketid, ikke en smartere basemodell.

Hva er GPT-5.5 Pros kontekstvindu?

GPT-5.5 Pro har et kontekstvindu på omtrent 1,1M input-tokens og 128K output-tokens, det samme som base GPT-5.5. Det er nok til å laste inn store kodebaser eller lange dokumenter i ett enkelt kall. Forskjellen mellom Pro og base er ikke minnestørrelse; det er hvor mye resonneringsberegning modellen bruker før den svarer.