GPT-5.5 Pro Benchmarks: Siffrorna OpenAI Publicerade (och dem de inte publicerade)
OpenAI lanserade GPT-5.5 Pro den 23 april 2026 och satte priset till 30 dollar per miljon inputtokens och 180 dollar per miljon outputtokens. Det är 6× dyrare än bas-GPT-5.5 på 5/30 dollar. För pengarna får du en variant med högre beräkningskapacitet som når 90,1 % på BrowseComp. Men här är det ingen sätter i rubriken: OpenAIs egna evalueringstabeller lämnar Pro-raden för kodning tom. Samma sak för datoranvändning. Samma för lång kontext. Söker du efter modellens SWE-Bench Pro-resultat finns det alltså inget att hitta. Vi gick igenom den publicerade tabellen och graderade varje siffra själva.
Kort svar:
- GPT-5.5 Pro är OpenAIs variant av GPT-5.5 med högre beräkningskapacitet (lanserad 23 april 2026), inte en ny modell.
- Den leder på webbsökning (BrowseComp 90,1 %) och avancerad matematik, men OpenAI lämnade raderna för kodning, datoranvändning och lång kontext tomma.
- På kodningsraderna som finns ligger bas-GPT-5.5 efter Claude Fable 5 (SWE-Bench Pro 58,6 % mot 80,3 %).
- Claude Fable 5 är för närvarande avstängd (amerikanskt exportkontrolldirektiv, runt 12 juni 2026), så dess vinster har en asterisk: "går inte att köpa just nu".
En kort metodanmärkning, för noggrannhet väger tyngre än hastighet i ett benchmark-inlägg: siffrorna nedan är korsverifierade mot OpenAIs och Anthropics publicerade tabeller samt SWE-Bench Pro-artikeln (arXiv 2509.16941). Där bara en leverantör rapporterar en siffra säger vi det. Där OpenAI aldrig publicerat ett Pro-resultat skriver vi "ej publicerat" i stället för att tyst byta ut det mot basvärdet.
GPT-5.5 Pro Benchmarks: Vad OpenAI Faktiskt Publicerade
GPT-5.5 Pro:s publicerade benchmarks täcker ett smalt urval: webbsökning, avancerad matematik, professionellt kunskapsarbete, genetik och bred resonemangsförmåga. OpenAI körde alla evalueringar med reasoning effort xhigh i en forskningsmiljö, vilket skiljer sig från standardinställningen i ChatGPT. Rubriksiffran är BrowseComp 90,1 %, klart över bas-GPT-5.5:s 84,4 %.
Här är huvudtabellen med en kolumn som visar om OpenAI publicerade ett separat Pro-resultat för varje test:
| Benchmark | Vad det testar | GPT-5.5 Pro | GPT-5.5 bas | Pro publicerat? | Noteringar |
|---|---|---|---|---|---|
| BrowseComp | Svår webbsökning / informationssökning | 90,1 % | 84,4 % | Ja | Pro:s tydligaste vinst över bas |
| FrontierMath T1-3 | Svår matematik | 52,4 % | 51,7 % | Ja | Slår rapporterat Opus 4.7 (43,8 %) |
| FrontierMath T4 | Avancerad matematik | 39,6 % | 35,4 % | Ja | Svåraste matematiktier |
| GDPval | Professionellt kunskapsarbete | 82,3 % (påstått) | 84,9 % | Ja (tillskrivet) | OpenAIs tabell listar Pro under bas |
| GeneBench | Flerstegsgenetik | 33,2 % (påstått) | 25,0 % | Ja (tillskrivet) | "OpenAI rapporterar" ett stort hopp |
| HLE (utan verktyg) | Brett svårt resonemang | 43,1 % | 41,4 % | Ja | Under rapporterat Opus 4.7 (46,9 %) |
| HLE (med verktyg) | Verktygsaktiverat resonemang | 57,2 % (påstått) | 52,2 % | Delvis | Bas 52,2 % bekräftad; Pro 57,2 % påstått |
| Investment Banking Modeling | Finansiell modellering | 88,6 % (internt) | 88,5 % | Intern eval | OpenAI märkte detta INTERNT; behandla som mjukt |
| SWE-Bench Pro | Agentisk kodning | ej publicerat | 58,6 % | Nej | Det stora tomrummet |
| OSWorld-Verified | Datoranvändning | ej publicerat | 78,7 % | Nej | Tomt för Pro |
| Cybersäkerhet | Säkerhetsuppgifter | ej publicerat | ej visat | Nej | Tomt för Pro |
| Lång kontext | Återkallelse av långa dokument | ej publicerat | ej visat | Nej | Tomt för Pro |
Läs det nedre blocket noga. OpenAI publicerade GPT-5.5 Pro-resultat för webbsökning och matematik men lämnade raderna för kodning, datoranvändning, cybersäkerhet och lång kontext tomma. BrowseComp-, FrontierMath- och GDPval-bassiffrorna är bekräftade mot oberoende spårare; GDPval-Pro 82,3 %, GeneBench 33,2 % och Investment Banking-siffran är rapporterade av OpenAI men inte oberoende verifierade, så vi tillskriver dem i stället för att presentera dem som fakta.
Vad "Pro" Faktiskt Innebär: Parallell Test-Time Compute, Inte En Ny Modell
GPT-5.5 Pro är samma GPT-5.5-modell som körs med mycket mer resonemangstid, inte en annan arkitektur. Tänk dig det mindre som en ny motor och mer som samma motor som kör längre och parallellt innan den svarar. OpenAI kallar inställningen reasoning effort, och Pro låser den på den högsta nivån: xhigh.
Är GPT-5.5 Pro en annan modell än GPT-5.5?
Nej. Samma vikter, samma träning. När folk söker gpt 5.5 pro vs gpt 5.5 thinking eller vs xhigh frågar de egentligen om en enda inställning: hur hårt modellen tänker innan den svarar. "Parallell test-time compute" betyder att modellen utforskar flera resonemangsspår samtidigt och väljer det bästa, vilket kostar fler tokens och mer tid. Det är den extra beräkningskapaciteten du betalar 6× för.
Specifikationerna är i övrigt gemensamma. GPT-5.5 Pro har ett kontextfönster på ungefär 1,1 miljoner inputtokens och 128 000 outputtokens. Du köper alltså inte ett större minne eller en smartare basmodell. Du köper mer tänktid på den modell du redan känner.
GPT-5.5 Pro vs GPT-5.5 (Standard): Vad det 6× dyrare priset faktiskt ger
GPT-5.5 Pro slår bas-GPT-5.5 på de svåraste uppgifterna: webbsökning, avancerad matematik och genetik. Det ger minst på rutinarbete. Den tydligaste vinsten är BrowseComp 90,1 % mot 84,4 %, en uppgång på 5,7 procentenheter vid djup webbforskning. På FrontierMath Tier 4 klättrar den till 39,6 % från 35,4 %.
Men mer beräkningskapacitet ger inte alltid ett högre resultat. På GDPval listar OpenAIs tabell faktiskt Pro lägre än bas-GPT-5.5 (82,3 % påstått mot 84,9 % bekräftat). Det är motintuitivt, och det rapporteras som att Pro byter vissa råa vinster mot kalibrering. Slutsatsen håller: att betala mer är ingen garanti.
Där Pro ligger före:
- BrowseComp: 90,1 % mot 84,4 % (+5,7)
- FrontierMath T4: 39,6 % mot 35,4 % (+4,2)
- GeneBench: 33,2 % mot 25,0 % (påstått av OpenAI)
- HLE med verktyg: 57,2 % (påstått) mot 52,2 % (bekräftad bas)
Där det är oförändrat eller sämre:
- GDPval: 82,3 % (påstått) mot 84,9 % bas
- HLE utan verktyg: 43,1 % mot 41,4 %, knappt en förändring
Är ditt arbete mestadels vanlig textproduktion, kodgranskning och sammanfattningar är 6×-priset svårt att motivera. Matematiken vänder bara när uppgiften är genuint svår. På tal om kostnad: om din faktura är problemet, täcker vår guide för att sänka LLM API-kostnader hur du dirigerar billigare modeller för de enkla 80 % och reserverar Pro för de svåra 20 %.
GPT-5.5 Pro vs Claude Fable 5
På de kodningsbenchmarks som båda leverantörer rapporterar slår Claude Fable 5 bas-GPT-5.5 klart. Men Fable 5 är för närvarande avstängd, så vinsten har en asterisk. Och jämförelsen är rörigare än den ser ut, eftersom OpenAI inte publicerade några GPT-5.5 Pro-kodningsresultat alls. Den ärliga matchningen är alltså egentligen Fable 5 mot bas-GPT-5.5 på kodning, med Pro frånvarande.
Här är tremansbordet. Fable 5-siffrorna är hämtade från Anthropics publicerade tabell; tomma Pro-celler är exakt det:
| Test | GPT-5.5 bas | GPT-5.5 Pro | Claude Fable 5 | Vinnare |
|---|---|---|---|---|
| SWE-Bench Pro | 58,6 % | ej publicerat | 80,3 % | Fable 5 |
| FrontierCode Diamond | 5,7 % | ej publicerat | 29,3 % | Fable 5 |
| Terminal-Bench | 83,4 % (v2.1) | ej publicerat | 88,0 % (v2.1) | Fable 5 |
| OSWorld-Verified | 78,7 % | ej publicerat | 85,0 % | Fable 5 |
| HLE (utan verktyg) | 41,4 % | 43,1 % | 56,8–59,0 % | Fable 5 |
| HLE (med verktyg) | 52,2 % | 57,2 % (påstått) | 64,5 % | Fable 5 |
| BrowseComp | 84,4 % | 90,1 % | ej publicerat | GPT-5.5 Pro |
| FrontierMath T4 | 35,4 % | 39,6 % | ej rapporterat | GPT-5.5 Pro |
| GDPval-AA | 1769 | ej publicerat | 1932 | Fable 5 |
Två förbehåll finns i den tabellen. Först Terminal-Bench: bas-GPT-5.5 når 82,7 % på v2.0 och 83,4 % på v2.1, medan Fables 88,0 % är på v2.1, så se till att du jämför samma version innan du deklarerar ett gap. Sedan GDPval-AA — det är inte ett procentvärde. Det är ett Elo-liknande resultat (1932 för Fable mot 1769 för bas-GPT-5.5), en helt annan skala, så rada inte upp det mentalt med procentraderna. HLE utan verktyg för Fable varierar också beroende på källa: CodingFleet anger 56,8 % medan andra sammanfattningar säger 59,0 %, så vi rapporterar spannet.
SWE-Bench Pro är det benchmark man bör utgå ifrån för agentisk kodning. Det kör 1 865 problem i 41 aktiva repositorier (per arXiv 2509.16941), med uppgifter som tar en erfaren ingenjör timmar eller dagar och kräver flerfiliga patchar. På det testet är Fable 5:s 80,3 % mot bas-GPT-5.5:s 58,6 % en stor marginal.
Nu till asterisken. Claude Fable 5 stängdes av i juni 2026 enligt ett amerikanskt exportkontrolldirektiv (runt 12 juni). Så "Fable vinner på kodning" stämmer på siffrorna och är för tillfället orelevant vid kassan. Vill du ha den djupare Anthropic-sidan, här är vår fullständiga genomgång av Claude Fable 5. För den modell som GPT-5.5:s tabell jämför sig mot på matematik, se Claude Opus 4.8.
De Benchmarks OpenAI INTE Publicerade för Pro
OpenAI publicerade aldrig GPT-5.5 Pro-resultat för kodning (SWE-Bench Pro), datoranvändning (OSWorld-Verified), cybersäkerhet, återkallelse av lång kontext eller abstrakt resonemang. De raderna är tomma i den officiella tabellen. Tomt betyder inte att modellen är dålig på dem. Det betyder att det inte finns något publicerat värde, och den som citerar ett sådant gissar troligen eller förväxlar det med basresultatet.
Det här spelar roll eftersom det är det mest sökta tomrummet. Sökte du efter GPT-5.5 Pro:s SWE-Bench Pro-resultat finns det inget. OpenAI publicerade det aldrig. Den enda siffran som finns för det benchmarket i GPT-5.5-familjen är basmodellens 58,6 %, och det är ett basvärde, inte ett Pro-värde. Vi markerar det på det sättet med avsikt.
Vad vi kan säga med gott samvete:
- Kodning (SWE-Bench Pro): Pro ej publicerat. Bas-GPT-5.5 = 58,6 % (bas, inte Pro).
- Datoranvändning (OSWorld-Verified): Pro ej publicerat. Bas = 78,7 % (bas, inte Pro).
- Cybersäkerhet: Pro ej publicerat, inget användbart basproxy i tabellen.
- Lång kontext: Pro ej publicerat, inget användbart basproxy.
- Abstrakt resonemang: Pro ej publicerat.
Kan Pro:s parallella beräkning höja de här bastalen? Troligen, givet mönstret på webbsökning och matematik. Men "troligen" är inte ett benchmark, och vi publicerar inte en siffra OpenAI inte gjort. Det är hela poängen med det här avsnittet.
Priser: $5/$30 vs $30/$180 vs $10/$50 — Är Pro värt 6×?
GPT-5.5 Pro kostar ungefär 6× mer än bas-GPT-5.5: 30 dollar input och 180 dollar output per miljon tokens, mot bas på 5/30 dollar. Claude Fable 5 ligger däremellan på 10/50 dollar. Värt det för svår forskning och avancerad matematik, sällan värt det för vardagsarbete.
| Modell | Input / 1M | Output / 1M | Relativ kostnad |
|---|---|---|---|
| GPT-5.5 bas | $5 | $30 | 1× (bas) |
| Claude Fable 5 | $10 | $50 | ~2× input, ~1,7× output |
| GPT-5.5 Pro | $30 | $180 | ~6× bas |
Vem bör faktiskt betala premiet? En grov bedömning per arbetsuppgift:
- Svår forskning, avancerad matematik, djup flerstegs-webbsökning: GPT-5.5 Pro är värt det. Benchmark-vinsterna är verkliga och uppgiftsvärdet är högt.
- Agentisk kodning på stora repositorier: Fable 5 om du kan få tag på det, annars bas-GPT-5.5 inlindat i ett kodningsramverk. Att betala Pro-priser för ett opublicerat kodningsresultat är ett dåligt bet.
- Daglig textproduktion, sammanfattningar, kodgranskning, support: bas-GPT-5.5. 6×-utgiften ger nästan ingenting här.
Fällan är att ställa allt på Pro "för säkerhets skull". På outputtung last växer de 180 dollar fort. Dirigera efter svårighetsgrad och du behåller det mesta av kvaliteten till en bråkdel av notan (mer om det i vår guide för LLM API-kostnader).
Hur Vi Kontrollerade Dessa Siffror (och Var Källorna Avviker)
Innan någon av de här siffrorna hamnade i det här inlägget gjorde vi den otacksamma delen: vi tog OpenAIs publicerade GPT-5.5-evaltabell och kontrollerade varje Pro-rad mot oberoende spårare i stället för att lita på en enda skärmdump. Källorna vi korsrefererade var llm-stats, BenchLM, DataCamps Fable 5-genomgång, CodingFleet och arXiv SWE-Bench Pro-artikeln (2509.16941). Här är vad som höll och vad som inte gjorde det.
De flesta Pro-rubriksiffror stämmer väl. BrowseComp 90,1 %, FrontierMath Tier 1–3 52,4 % och Tier 4 39,6 %, samt priset 30/180 dollar stämde mot alla källor vi kontrollerade. SWE-Bench Pro på 80,3 % för Fable 5 mot 58,6 % för bas-GPT-5.5, och FrontierCode Diamond på 29,3 % mot 5,7 %, höll också — och SWE-Bench Pro-uppgiftsantalet (1 865 problem i 41 repositorier) kommer direkt från artikeln, inte en leverantörsblogg.
Tre saker stämde inte och det bör du känna till:
- Humanity's Last Exam, med verktyg, för Fable 5 varierar mellan 56,8 % och 59,0 % beroende på källan. Vi citerar spannet i stället för att välja en favorit.
- Terminal-Bench-siffror flödar mellan version 2.0 och 2.1 i OpenAIs och Anthropics tabeller, så GPT-5.5 (83,4 %) mot Fable (88,0 %) är inte ett rent äpplen-mot-äpplen-värde.
- Investment Banking Modeling-resultatet (88,6 % Pro) är märkt "internt" av OpenAI, vilket innebär att ingen oberoende spårare kan bekräfta det. Vi markerar det som ett leverantörspåstående varje gång det dyker upp.
Det är den ärliga versionen. Siffror vi presenterar som fakta stämde mot minst två oberoende källor; allt annat tillskrivs den som rapporterade det. Vi körde inte GPT-5.5 Pro själva — till 30/180 dollar per miljon tokens är en seriös head-to-head-körning inget vi fejkar, så vi låtsas inte ha laboratorieresultat vi inte har.
Verkliga Resultat som Leverantörerna Rapporterar
Det här är leverantörspåståenden, inte oberoende laboratorieresultat, så läs dem som marknadsföringsliknande bevis. OpenAI och Anthropic publicerade var sina fallstudier som målar en smickrande bild. Vi listar dem med tillskrivning och förbehållet att inget av dem verifierades av oss.
Från OpenAIs sida säger företaget att ett finansteam använde Codex med GPT-5.5 för att granska 24 771 K-1-skatteformulär (71 637 sidor), och avslutade ungefär två veckor snabbare än föregående års process. OpenAI rapporterar också en fungerande algebraisk geometriapp byggd från en enda prompt på 11 minuter, samt en GPT-5.5 Pro-analys av ett genuttrycksdataset med 62 prover och cirka 28 000 gener.
Från Anthropics sida använde Stripe (rapporterat via Anthropic) Fable 5 för att köra en kodbasmigration i en Ruby-kodbas med 50 miljoner rader på en enda dag, mot en uppskattad 2-plus månader för hand. Anthropic säger också att Fable 5 klarade Pokémon FireRed från råa skärmdumpar, där tidigare Claude-modeller behövde extra ramverksverktyg, och att det med ihållet filbaserat minne spelade Slay the Spire ungefär 3× bättre än Opus 4.8.
Imponerande demonstrationer, allihopa. Kom bara ihåg att de är utvalda av leverantörerna och inte reproducerbara utifrån pressreleasen ensam.
Vilken Modell Bör Du Faktiskt Använda?
Matcha modellen mot uppgiften, inte hypen. För kodningsagenter och stora repositorier, välj Claude Fable 5 om det finns tillgängligt, och bas-GPT-5.5 inlindat i ett kodningsramverk om det inte gör det. För forskning, avancerad matematik och djup webbsökning är GPT-5.5 Pro rätt val. För dagligt arbete och kostnadseffektivitet vinner bas-GPT-5.5 på värde nästan varje gång.
Några tips om du väljer ett helt stack snarare än ett enskilt anrop. Vill du ha ett autonomt kodningssystem vill du ha ett verktyg, inte en råmodell, så börja med de bästa AI-kodningsagenterna 2026 och genomgången av bakgrundskodningsagenter för Codex- och Devin-kontexten. Nyfiken på vart familjen är på väg? Här är det som läcker om GPT-5.6.
På Techsy dirigerar vi per uppgift i våra agentpipelines — toppmodeller för resonemang för de svåra besluten och billigare för resten, i stället för att betala premiumpriser för varje förfrågan. Vill du ha en second opinion om din egen modellmix, boka en kostnadsfri konsultation.
Om Författaren
Mert Batur är medgrundare av Techsy.io, där teamet bygger AI-agenter, automationssystem och röst/SDR-pipelines för B2B-kunder. Han skriver om det LLM-verktygsstack som Techsy-teamet faktiskt använder i produktion. Kontakta på LinkedIn.
Vanliga Frågor
Är GPT-5.5 Pro värt det?
Det beror på uppgiften. För svår forskning, avancerad matematik och djup webbsökning motiverar GPT-5.5 Pro:s vinster över bas (BrowseComp 90,1 % mot 84,4 %) det ungefär 6× dyrare priset på 30/180 dollar per miljon tokens. För vardaglig textproduktion, kodgranskning och sammanfattningar ger bas-GPT-5.5 nästan samma kvalitet för en sjättedel av kostnaden.
Är GPT-5.5 Pro bättre än Claude Fable 5?
På publicerade kodningsbenchmarks, nej: Claude Fable 5 slår bas-GPT-5.5 på SWE-Bench Pro (80,3 % mot 58,6 %), och OpenAI publicerade aldrig något Pro-kodningsresultat att jämföra med. GPT-5.5 Pro vinner på webbsökning och avancerad matematik. En hake: Fable 5 är för tillfället avstängd enligt ett amerikanskt exportkontrolldirektiv, så tillgänglighet spelar lika stor roll som benchmark-siffran.
Hur bra är GPT-5.5 Pro på kodning?
Ärligt talat kan vi inte säga det utifrån OpenAIs siffror, eftersom OpenAI inte publicerade något GPT-5.5 Pro-kodningsresultat. Den enda kodningssiffran för familjen är bas-GPT-5.5:s SWE-Bench Pro-resultat på 58,6 %, vilket ligger efter Claude Fable 5:s 80,3 %. Den som citerar ett "Pro-kodningsbenchmark" citerar troligen basresultatet av misstag.
GPT-5.5 Pro vs GPT-5.5 standard — vilket ska jag använda?
Använd GPT-5.5 Pro för svår forskning, avancerad matematik och djup flerstegs-webbsökning, där den extra parallella beräkningskapaciteten motiverar 6×-priset. Använd bas-GPT-5.5 för dagligt arbete, kodgranskning och sammanfattningar, där premiet ger lite. På vissa test, som GDPval, listar till och med OpenAIs tabell Pro något under bas.
Vad kostar GPT-5.5 Pro?
GPT-5.5 Pro kostar 30 dollar per miljon inputtokens och 180 dollar per miljon outputtokens, ungefär 6× bas-GPT-5.5:s 5/30 dollar. Som jämförelse ligger Claude Fable 5 på 10/50 dollar. På outputtung last växer Pro-premiet fort, så att dirigera efter uppgiftens svårighetsgrad i stället för att default:a till Pro sparar riktiga pengar.
Vad är reasoning effort "xhigh"?
Reasoning effort är inställningen som styr hur hårt GPT-5.5 tänker innan det svarar. "xhigh" är den högsta nivån, där modellen använder parallell test-time compute för att utforska flera resonemangsspår och välja det bästa. OpenAI körde sina publicerade GPT-5.5 Pro-evalueringar på xhigh i en forskningsmiljö, vilket skiljer sig från standardinställningen i ChatGPT.
Finns GPT-5.5 Pro tillgängligt i Codex?
Ja. Du kan anropa GPT-5.5 Pro i Codex CLI med modellsträngen gpt-5.5-pro och sätta reasoning effort till xhigh för det högsta beräkningsbeteendet. Räkna med högre latens och märkbart högre tokenkostnad än bas-GPT-5.5, så reservera det för genuint svåra uppgifter i stället för att köra det som din standardkodningsmodell.
Är GPT-5.5 Pro en ny modell?
Nej. GPT-5.5 Pro är samma GPT-5.5-modell som körs med mer reasoning effort och parallell test-time compute på xhigh-inställningen, inte en separat arkitektur. Den delar samma vikter och samma kontextfönster på ungefär 1,1 miljoner inputtokens och 128 000 outputtokens. Du betalar för mer tänktid, inte en smartare basmodell.
Vad är GPT-5.5 Pro:s kontextfönster?
GPT-5.5 Pro har ett kontextfönster på ungefär 1,1 miljoner inputtokens och 128 000 outputtokens, samma som bas-GPT-5.5. Det räcker för att ladda in stora kodbaser eller långa dokument i ett enda anrop. Skillnaden mellan Pro och bas är inte minnesstorleken; det är hur mycket beräkningskapacitet modellen lägger ner på resonemang innan den svarar.