Benchmarkuri GPT-5.5 Pro: cifrele publicate de OpenAI (și cele nepublicate)

Benchmarkuri GPT-5.5 Pro: cifrele publicate de OpenAI (și cele nepublicate)

OpenAI a lansat GPT-5.5 Pro pe 23 aprilie 2026, la un preț de 30 $ per milion de tokeni de intrare și 180 $ per milion de tokeni de ieșire. Asta înseamnă de 6× față de GPT-5.5 base, care costă 5 $/30 $. Pentru acești bani primești o variantă cu putere de calcul mai mare, care obține 90,1% pe BrowseComp. Dar iată partea pe care nimeni n-o pune în titlu: propriul tabel de evaluări al OpenAI lasă rândul de coding pentru GPT-5.5 Pro necompletat. La fel și pentru computer-use. La fel și pentru long-context. Așadar, când cauți scorul SWE-Bench Pro al modelului, nu ai ce găsi. Am luat tabelul publicat și am evaluat fiecare cifră noi înșine.

Răspuns rapid:

• GPT-5.5 Pro este varianta cu putere de calcul mai mare a GPT-5.5 de la OpenAI (lansată pe 23 aprilie 2026), nu un model nou.
• Conduce la browsing (BrowseComp 90,1%) și matematică de frontieră, dar OpenAI a lăsat necompletate rândurile de coding, computer-use și long-context.
• Pe rândurile de coding care există, GPT-5.5 base rămâne în urma Claude Fable 5 (SWE-Bench Pro 58,6% vs 80,3%).
• Claude Fable 5 este momentan suspendat (directivă de control al exporturilor din SUA, în jur de 12 iunie 2026), așa că victoriile lui vin cu un asterisc de tipul „nu-l poți cumpăra acum”.

O scurtă notă despre metodă, pentru că acuratețea contează mai mult decât viteza într-un articol despre benchmarkuri: cifrele de mai jos sunt verificate încrucișat cu tabelele publicate de OpenAI și Anthropic și cu lucrarea SWE-Bench Pro (arXiv 2509.16941). Acolo unde un singur vendor raportează o cifră, spunem asta. Acolo unde OpenAI n-a publicat niciodată un scor Pro, scriem „nepublicat” în loc să înlocuim pe furiș cu numărul variantei base.

Benchmarkuri GPT-5.5 Pro: ce a publicat de fapt OpenAI

Benchmarkurile publicate pentru GPT-5.5 Pro acoperă o felie îngustă: browsing, matematică de frontieră, muncă profesională bazată pe cunoaștere, genetică și raționament general. OpenAI a rulat fiecare evaluare cu efort de raționament xhigh într-un mediu de cercetare, ceea ce diferă de setarea implicită din ChatGPT-ul de producție. Cifra principală este BrowseComp 90,1%, clar peste cei 84,4% ai variantei base GPT-5.5.

Iată tabelul principal, cu o coloană care arată dacă OpenAI a publicat un scor Pro separat pentru fiecare test:

Citește cu atenție blocul de jos. OpenAI a publicat scoruri GPT-5.5 Pro pentru browsing și matematică, dar a lăsat necompletate rândurile de coding, computer-use, cybersecurity și long-context. Cifrele BrowseComp, FrontierMath și GDPval-base sunt confirmate prin trackere secundare; GDPval-Pro 82,3%, GeneBench 33,2% și numărul de la Investment Banking sunt raportate de OpenAI, dar nu sunt verificate independent, așa că le prezentăm ca atribuite, în loc să le afirmăm direct.

Ce înseamnă de fapt „Pro”: calcul paralel la momentul testării, nu un model nou

GPT-5.5 Pro este același model GPT-5.5, rulat cu un efort de raționament mult mai mare, nu o arhitectură diferită. Gândește-te la el mai puțin ca la un motor nou și mai mult ca la același motor, care rulează mai mult și în paralel înainte să răspundă. OpenAI numește această setare efort de raționament, iar Pro o fixează la nivelul maxim: xhigh.

Este GPT-5.5 Pro un model diferit față de GPT-5.5?

Nu. Aceleași ponderi, același antrenament. Când oamenii caută gpt 5.5 pro vs gpt 5.5 thinking sau vs xhigh, ei întreabă de fapt despre un singur buton: cât de mult gândește modelul înainte să răspundă. „Calcul paralel la momentul testării” înseamnă că modelul explorează mai multe căi de raționament deodată și o alege pe cea mai bună, ceea ce costă mai mulți tokeni și mai mult timp real. Pentru acest plus de calcul plătești de 6×.

În rest, specificațiile sunt comune. GPT-5.5 Pro are o fereastră de context de aproximativ 1,1M tokeni la intrare și 128K la ieșire. Deci nu cumperi o memorie mai mare sau un model base mai deștept. Cumperi mai mult timp de gândire pentru modelul pe care deja îl cunoști.

GPT-5.5 Pro vs GPT-5.5 (Standard): unde îți aduce ceva prețul de 6×

GPT-5.5 Pro bate GPT-5.5 base la cele mai dificile sarcini: browsing, matematică de frontieră și genetică. Îți aduce cel mai puțin la munca de rutină. Cel mai clar câștig este BrowseComp 90,1% vs 84,4%, o creștere de 5,7 puncte la cercetarea web aprofundată. Pe FrontierMath Tier 4 urcă la 39,6% de la 35,4%.

Dar mai mult calcul nu înseamnă întotdeauna un scor mai mare. Pe GDPval, tabelul OpenAI plasează de fapt Pro sub GPT-5.5 base (82,3% declarat vs 84,9% confirmat). E contraintuitiv și se explică prin faptul că Pro sacrifică unele victorii brute pentru calibrare. Ideea rămâne: a plăti mai mult nu e o garanție.

Unde Pro trece în față:

• BrowseComp: 90,1% vs 84,4% (+5,7)
• FrontierMath T4: 39,6% vs 35,4% (+4,2)
• GeneBench: 33,2% vs 25,0% (declarat de OpenAI)
• HLE cu instrumente: 57,2% (declarat) vs 52,2% (base confirmat)

Unde e la egalitate sau mai slab:

• GDPval: 82,3% (declarat) vs 84,9% base
• HLE fără instrumente: 43,1% vs 41,4%, abia o mișcare

Dacă munca ta înseamnă mai ales redactare de zi cu zi, revizuire de cod și rezumate, prima de 6× e greu de justificat. Calculul se schimbă doar când sarcina e cu adevărat dificilă. Tot la capitolul costuri: dacă factura e problema, ghidul nostru despre cum să-ți reduci costurile cu API-urile LLM acoperă rutarea modelelor mai ieftine pentru cei 80% ușori și rezervarea Pro pentru cei 20% dificili.

GPT-5.5 Pro vs Claude Fable 5

Pe benchmarkurile de coding raportate de ambii vendori, Claude Fable 5 bate decisiv GPT-5.5 base. Dar Fable 5 este momentan suspendat, așa că victoria vine cu un asterisc. Iar comparația e mai complicată decât pare, pentru că OpenAI n-a publicat deloc scoruri de coding pentru GPT-5.5 Pro. Așadar, confruntarea sinceră este de fapt Fable 5 vs GPT-5.5 base la coding, cu Pro absent.

Iată tabelul cu trei coloane. Cifrele pentru Fable 5 sunt atribuite tabelului publicat de Anthropic; celulele Pro necompletate sunt exact asta:

În acel tabel sunt două avertismente. Primul, Terminal-Bench: GPT-5.5 base obține 82,7% pe v2.0 și 83,4% pe v2.1, în timp ce 88,0% al lui Fable e pe v2.1, deci asigură-te că citești aceeași versiune înainte să declari o diferență. Al doilea, GDPval-AA nu e un procentaj. E un scor de tip Elo (1932 pentru Fable vs 1769 pentru GPT-5.5 base), o scară complet diferită, așa că nu-l alinia mental cu rândurile de procente. Cifra Fable pentru HLE fără instrumente variază și ea în funcție de sursă: CodingFleet listează 56,8%, în timp ce alte rezumate spun 59,0%, așa că raportăm intervalul.

SWE-Bench Pro este benchmarkul de referință pentru codingul agentic. Rulează 1.865 de probleme pe 41 de repository-uri active (conform arXiv 2509.16941), cu sarcini care îi iau unui inginer senior ore sau zile și necesită patch-uri pe mai multe fișiere. Pe acel test, 80,3% al lui Fable 5 față de 58,6% al lui GPT-5.5 base este o marjă largă.

Acum asteriscul. Claude Fable 5 a fost suspendat în iunie 2026 în baza unei directive de control al exporturilor din SUA (în jur de 12 iunie). Așadar, „Fable câștigă la coding” e adevărat ca cifre și momentan irelevant la casă. Dacă vrei imaginea mai amplă din partea Anthropic, iată analiza noastră completă despre Claude Fable 5. Pentru modelul cu care se compară GPT-5.5 în tabele la matematică, vezi Claude Opus 4.8.

Benchmarkurile pe care OpenAI NU le-a publicat pentru Pro

OpenAI n-a publicat niciodată scoruri GPT-5.5 Pro pentru coding (SWE-Bench Pro), computer-use (OSWorld-Verified), cybersecurity, reamintire long-context sau raționament abstract. Acele rânduri sunt necompletate în tabelul oficial. Necompletat nu înseamnă că modelul e slab la ele. Înseamnă că nu există un număr publicat, iar oricine citează unul fie ghicește, fie citează din greșeală scorul variantei base.

Asta contează pentru că e cea mai căutată lacună. Dacă ai căutat scorul SWE-Bench Pro al lui GPT-5.5 Pro, nu există. OpenAI nu l-a publicat niciodată. Singura cifră care există pentru acel benchmark în familia GPT-5.5 este 58,6% al modelului base, iar aceea e o cifră base, nu una Pro. O semnalăm așa în mod deliberat.

Ce putem spune în mod responsabil:

• Coding (SWE-Bench Pro): Pro nepublicat. GPT-5.5 base = 58,6% (base, nu Pro).
• Computer-use (OSWorld-Verified): Pro nepublicat. Base = 78,7% (base, nu Pro).
• Cybersecurity: Pro nepublicat, fără un substitut base utilizabil în tabel.
• Long-context: Pro nepublicat, fără un substitut base utilizabil.
• Raționament abstract: Pro nepublicat.

Ar putea calculul paralel al lui Pro să ridice acele cifre base? Probabil, având în vedere tiparul de la browsing și matematică. Dar „probabil” nu e un benchmark și nu vom tipări un număr pe care OpenAI nu l-a dat. Această reținere este întregul motiv pentru care există această secțiune.

Prețuri: 5 $/30 $ vs 30 $/180 $ vs 10 $/50 $ — merită Pro de 6×?

GPT-5.5 Pro costă aproximativ de 6× față de GPT-5.5 base: 30 $ la intrare și 180 $ la ieșire per milion de tokeni, față de 5 $/30 $ pentru base. Claude Fable 5 se situează între ele, la 10 $/50 $. Merită pentru cercetare dificilă și matematică de frontieră, rareori merită pentru munca de zi cu zi.

Deci cine ar trebui să plătească de fapt prima? Un verdict aproximativ, pe tipuri de muncă:

• Cercetare dificilă, matematică de frontieră, browsing aprofundat pe mai mulți pași: GPT-5.5 Pro își merită banii. Câștigurile din benchmarkuri sunt reale și valoarea sarcinii e mare.
• Coding agentic pe repository-uri mari: Fable 5 dacă poți pune mâna pe el, altfel GPT-5.5 base încadrat într-un scaffold de coding. A plăti prețuri de Pro pentru un scor de coding nepublicat e un pariu prost.
• Redactare zilnică, rezumate, revizuire de cod, suport: GPT-5.5 base. Cheltuiala de 6× nu cumpără aproape nimic aici.

Capcana este să trimiți totul implicit către Pro „ca să fii sigur”. Pe sarcinile cu mult output, acea cifră de 180 $ se adună rapid. Routează după dificultate și păstrezi cea mai mare parte a calității la o fracțiune din factură (mai multe în ghidul nostru de costuri pentru API-uri LLM).

Cum am verificat aceste cifre (și unde sursele nu sunt de acord)

Înainte ca oricare dintre aceste cifre să ajungă în acest articol, am făcut partea mai puțin glamorous: am luat tabelul de evaluări GPT-5.5 publicat de OpenAI și am verificat fiecare rând Pro cu trackere independente, în loc să ne încredem într-o singură captură de ecran. Sursele pe care le-am confruntat au fost llm-stats, BenchLM, analiza Fable 5 de la DataCamp, CodingFleet și lucrarea SWE-Bench Pro de pe arXiv (2509.16941). Iată ce a rezistat și ce nu.

Cele mai multe dintre cifrele principale ale lui Pro se potrivesc curat. BrowseComp 90,1%, FrontierMath Tier 1–3 52,4% și Tier 4 39,6%, precum și prețul de 30 $/180 $ s-au potrivit în fiecare sursă verificată. SWE-Bench Pro la 80,3% pentru Fable 5 versus 58,6% pentru GPT-5.5 base și FrontierCode Diamond la 29,3% versus 5,7% au rezistat și ele — iar numărul de sarcini SWE-Bench Pro (1.865 de probleme pe 41 de repository-uri) vine direct din lucrare, nu de pe blogul unui vendor.

Trei lucruri nu s-au potrivit și ar trebui să știi despre ele:

• Humanity's Last Exam, cu instrumente, pentru Fable 5 apare oriunde între 56,8% și 59,0%, în funcție de sursă. Cităm intervalul în loc să alegem un favorit.
• Cifrele Terminal-Bench oscilează între versiunea 2.0 și 2.1 în tabelele OpenAI și Anthropic, deci diferența GPT-5.5 (83,4%) vs Fable (88,0%) nu e o comparație perfect echivalentă.
• Scorul Investment Banking Modeling (88,6% Pro) este etichetat „intern” de OpenAI, adică niciun tracker independent nu-l poate confirma. Îl semnalăm ca afirmație a vendorului de fiecare dată când apare.

Asta e versiunea sinceră. Cifrele pe care le prezentăm ca fapt s-au potrivit în cel puțin două surse independente; tot restul e atribuit celui care l-a raportat. N-am rulat noi înșine GPT-5.5 Pro — la 30 $/180 $ per milion de tokeni, o rulare serioasă față în față nu e ceva ce vom simula, așa că nu vom pretinde că avem rezultate de laborator pe care nu le avem.

Rezultate din lumea reală raportate de vendori

Acestea sunt afirmații ale vendorilor, nu rezultate independente de laborator, deci citește-le ca dovezi învecinate cu marketingul. OpenAI și Anthropic au publicat fiecare studii de caz care zugrăvesc o imagine măgulitoare. Le listăm ca atribuite, cu avertismentul că niciuna n-a fost verificată de noi.

Din partea OpenAI, compania spune că o echipă financiară a folosit Codex cu GPT-5.5 pentru a revizui 24.771 de formulare fiscale K-1 (71.637 de pagini), terminând cu aproximativ două săptămâni mai repede decât procesul din anul precedent. OpenAI raportează și o aplicație funcțională de geometrie algebrică construită dintr-un singur prompt în 11 minute, precum și o analiză GPT-5.5 Pro a unui set de date de expresie genică ce acoperă 62 de probe și aproximativ 28.000 de gene.

Din partea Anthropic, Stripe (raportat prin Anthropic) a folosit Fable 5 pentru a rula o migrare a întregii baze de cod, pe un codebase Ruby de 50 de milioane de linii, într-o singură zi, față de o estimare de peste 2 luni manual. Anthropic mai spune că Fable 5 a terminat Pokémon FireRed din capturi de ecran brute, acolo unde modelele Claude anterioare aveau nevoie de instrumente suplimentare de scaffolding, și că, cu o memorie persistentă bazată pe fișiere, a jucat Slay the Spire de aproximativ 3× mai bine decât Opus 4.8.

Demo-uri impresionante, toate. Doar amintește-ți că sunt alese de vendori și nu sunt reproductibile doar din comunicatul de presă.

Ce model ar trebui să folosești de fapt?

Potrivește modelul la sarcină, nu la hype. Pentru agenți de coding și repository-uri mari, alege Claude Fable 5 dacă îți este disponibil, iar GPT-5.5 base încadrat într-un scaffold de coding dacă nu e. Pentru cercetare, matematică de frontieră și browsing aprofundat, GPT-5.5 Pro este alegerea. Pentru munca zilnică și eficiența costurilor, GPT-5.5 base câștigă la valoare aproape de fiecare dată.

Câteva indicații dacă alegi un stack, nu o singură apelare. Dacă vrei de fapt un sistem autonom de coding, vrei un instrument, nu un model brut, așa că începe cu cei mai buni agenți de coding AI din 2026 și cu comparația agenților de coding în fundal pentru contextul Codex și Devin. Curios încotro merge familia mai departe? Iată ce se scurge despre GPT-5.6.

La Techsy rutăm pe sarcină în pipeline-urile noastre de agenți, modele de raționament de top pentru deciziile dificile și unele mai ieftine pentru rest, în loc să plătim tarife premium la fiecare cerere. Dacă vrei o a doua opinie despre propriul tău mix de modele, obține o consultație gratuită.

Despre autor

Mert Batur Gurbuz este co-fondator al Techsy.io, unde echipa livrează agenți AI, sisteme de automatizare și pipeline-uri voice/SDR pentru clienți B2B. Studiază la University of Birmingham și scrie despre stack-ul de instrumente LLM pe care echipa Techsy îl folosește efectiv în producție. Conectează-te pe LinkedIn.

Întrebări frecvente

Merită GPT-5.5 Pro?

Depinde de sarcină. Pentru cercetare dificilă, matematică de frontieră și browsing aprofundat, câștigurile lui GPT-5.5 Pro față de base (BrowseComp 90,1% vs 84,4%) justifică prețul de aproximativ 6×, de 30 $/180 $ per milion de tokeni. Pentru redactare de zi cu zi, revizuire de cod și rezumate, GPT-5.5 base îți oferă aproape aceeași calitate la o șesime din cost.

Este GPT-5.5 Pro mai bun decât Claude Fable 5?

Pe benchmarkurile de coding publicate, nu: Claude Fable 5 bate GPT-5.5 base pe SWE-Bench Pro (80,3% vs 58,6%), iar OpenAI n-a publicat niciodată un scor de coding Pro cu care să compari. GPT-5.5 Pro câștigă la browsing și matematică de frontieră. Un singur lucru: Fable 5 este momentan suspendat în baza unei directive de control al exporturilor din SUA, deci disponibilitatea contează la fel de mult ca benchmarkul.

Cât de bun este GPT-5.5 Pro la coding?

Sincer, nu putem spune din cifrele OpenAI, pentru că OpenAI n-a publicat un scor de coding pentru GPT-5.5 Pro. Singura cifră de coding pentru familie este rezultatul SWE-Bench Pro al lui GPT-5.5 base, de 58,6%, care rămâne în urma lui 80,3% al lui Claude Fable 5. Oricine citează un „benchmark de coding Pro” probabil citează din greșeală numărul variantei base.

GPT-5.5 Pro vs GPT-5.5 standard — pe care să-l folosesc?

Folosește GPT-5.5 Pro pentru cercetare dificilă, matematică de frontieră și browsing aprofundat pe mai mulți pași, unde calculul său paralel suplimentar merită prețul de 6×. Folosește GPT-5.5 base pentru munca zilnică, revizuire de cod și rezumate, unde prima cumpără puțin. Pe unele teste, precum GDPval, tabelul OpenAI plasează Pro chiar ușor sub base.

Cât costă GPT-5.5 Pro?

GPT-5.5 Pro costă 30 $ per milion de tokeni de intrare și 180 $ per milion de tokeni de ieșire, aproximativ de 6× față de 5 $/30 $ ai lui GPT-5.5 base. Prin comparație, Claude Fable 5 se situează la 10 $/50 $. Pe sarcinile cu mult output, prima Pro se adună rapid, deci rutarea după dificultatea sarcinii, în loc să trimiți totul implicit către Pro, economisește bani reali.

Ce este efortul de raționament „xhigh”?

Efortul de raționament este butonul care controlează cât de mult gândește GPT-5.5 înainte să răspundă. „xhigh” este nivelul maxim, unde modelul folosește calcul paralel la momentul testării pentru a explora mai multe căi de raționament și a o alege pe cea mai bună. OpenAI și-a rulat evaluările publicate pentru GPT-5.5 Pro la xhigh, într-un mediu de cercetare, ceea ce diferă de setarea implicită din ChatGPT-ul de producție.

Este GPT-5.5 Pro disponibil în Codex?

Da. Poți apela GPT-5.5 Pro în Codex CLI folosind șirul de model gpt-5.5-pro și poți seta efortul de raționament la xhigh pentru comportamentul cu cel mai mare calcul. Așteaptă-te la o latență mai mare și la un cost per token vizibil mai mare decât la GPT-5.5 base, deci rezervă-l pentru sarcinile cu adevărat dificile, în loc să-l rulezi ca model implicit de coding.

Este GPT-5.5 Pro un model nou?

Nu. GPT-5.5 Pro este același model GPT-5.5, rulat cu mai mult efort de raționament și calcul paralel la momentul testării, la setarea xhigh, nu o arhitectură separată. Împarte aceleași ponderi și aceeași fereastră de context de aproximativ 1,1M tokeni la intrare și 128K la ieșire. Plătești pentru mai mult timp de gândire, nu pentru un model base mai deștept.

Care este fereastra de context a lui GPT-5.5 Pro?

GPT-5.5 Pro are o fereastră de context de aproximativ 1,1M tokeni la intrare și 128K tokeni la ieșire, la fel ca GPT-5.5 base. E suficient pentru a încărca codebase-uri mari sau documente lungi într-un singur apel. Diferența dintre Pro și base nu e dimensiunea memoriei, ci cât de mult calcul de raționament consumă modelul înainte să răspundă.