GPT-5.5 Pro 基準測試：OpenAI 公布的數字（以及沒公布的）

GPT-5.5 Pro 基準測試：OpenAI 公布的數字（以及沒公布的）

OpenAI 在 2026 年 4 月 23 日推出 GPT-5.5 Pro，定價為每百萬輸入 token 30 美元、每百萬輸出 token 180 美元，是基礎版 GPT-5.5（5 美元／30 美元）的 6 倍。花這個錢，你得到的是一個算力更高的變體，在 BrowseComp 上拿下 90.1%。但標題不會告訴你的是：OpenAI 自己的評測表把 GPT-5.5 Pro 的程式開發欄位留白了。電腦操作也是。長文本也是。所以當你搜尋這個模型的 SWE-Bench Pro 分數時，根本找不到。我們把官方公布的表格拉出來，逐一核對每個數字。

快速解答：

• GPT-5.5 Pro 是 OpenAI 旗下 GPT-5.5 的高算力變體（2026 年 4 月 23 日發布），不是一個新模型。
• 它在瀏覽能力（BrowseComp 90.1%）和前沿數學上領先，但 OpenAI 把程式開發、電腦操作和長文本的欄位留白了。
• 在有數據的程式開發項目上，基礎版 GPT-5.5 落後 Claude Fable 5（SWE-Bench Pro 58.6% vs 80.3%）。
• Claude Fable 5 目前已被暫停（美國出口管制指令，約 2026 年 6 月 12 日），所以它的勝出帶有一個「現在買不到」的附註。

先說明一下方法，因為在基準測試的文章裡，準確比速度重要：以下數字都與 OpenAI 和 Anthropic 公布的表格，以及 SWE-Bench Pro 論文（arXiv 2509.16941）交叉比對過。如果只有單一廠商報告某個數字，我們會註明。如果 OpenAI 從未公布 Pro 的分數，我們會寫「未公布」，而不是悄悄拿基礎版的數字來充數。

GPT-5.5 Pro 基準測試：OpenAI 實際公布了什麼

GPT-5.5 Pro 公布的基準測試涵蓋範圍很窄：瀏覽、前沿數學、專業知識工作、基因學和廣泛推理。OpenAI 在研究環境中以推理強度 xhigh 執行所有評測，這與正式版 ChatGPT 的預設值不同。最亮眼的數字是 BrowseComp 90.1%，明顯高於基礎版 GPT-5.5 的 84.4%。

以下是總表，其中一欄標示 OpenAI 是否為每項測試公布了獨立的 Pro 分數：

請仔細看底部那幾列。OpenAI 公布了 GPT-5.5 Pro 在瀏覽和數學上的分數，但把程式開發、電腦操作、網路安全和長文本的欄位留白了。BrowseComp、FrontierMath 和 GDPval 基礎版的數字已與第三方追蹤平台核實；GDPval Pro 的 82.3%、GeneBench 的 33.2% 以及投資銀行建模的數字是 OpenAI 報告的，但未經獨立驗證，所以我們以歸屬方式呈現，而非直接斷言。

「Pro」到底是什麼意思：平行測試時算力，不是新模型

GPT-5.5 Pro 是同一個 GPT-5.5 模型，只是用更多的推理算力來跑，不是不同的架構。與其把它想成新引擎，不如想成同一顆引擎在回答前跑得更久、平行探索更多路徑。OpenAI 把這個設定叫做推理強度，Pro 把它釘在最高檔：xhigh。

GPT-5.5 Pro 和 GPT-5.5 是不同的模型嗎？

不是。相同的權重、相同的訓練。當大家搜尋 gpt 5.5 pro vs gpt 5.5 thinking 或 vs xhigh 時，其實問的是同一個旋鈕：模型在回覆前思考多深。「平行測試時算力」代表模型同時探索多條推理路徑，然後挑最好的那條，這會消耗更多 token 和更多實際時間。你付的 6 倍價格，買的就是這些額外算力。

其他規格完全相同。GPT-5.5 Pro 的上下文窗口大約是輸入 110 萬 token、輸出 12.8 萬 token。所以你買的不是更大的記憶體或更聰明的基礎模型，而是在你已經熟悉的模型上買更多思考時間。

GPT-5.5 Pro vs GPT-5.5（標準版）：6 倍價格買到什麼

GPT-5.5 Pro 在最難的任務上勝過基礎版 GPT-5.5：瀏覽、前沿數學和基因學。在日常工作上，它的加成最小。最乾淨的增益是 BrowseComp 90.1% vs 84.4%，在深度網頁研究上提升 5.7 個百分點。FrontierMath Tier 4 從 35.4% 爬升到 39.6%。

但更多算力不一定代表更高分數。在 GDPval 上，OpenAI 的表格實際上把 Pro 列得比基礎版 GPT-5.5 還低（宣稱 82.3% vs 已確認 84.9%）。這很反直覺，據報導是 Pro 用部分原始勝出換取了校準。重點不變：花更多錢不是保證。

Pro 領先的項目：

• BrowseComp：90.1% vs 84.4%（+5.7）
• FrontierMath T4：39.6% vs 35.4%（+4.2）
• GeneBench：33.2% vs 25.0%（OpenAI 宣稱）
• HLE 有工具：57.2%（宣稱）vs 52.2%（基礎版已確認）

持平或更差的項目：

• GDPval：82.3%（宣稱）vs 基礎版 84.9%
• HLE 無工具：43.1% vs 41.4%，幾乎沒動

如果你的工作主要是日常撰寫、程式碼審查和摘要，6 倍的溢價很難合理化。只有當任務真的很难時，這筆帳才翻得過來。既然談到成本：如果帳單是問題，我們的降低 LLM API 成本指南有說明怎麼把簡單的 80% 工作路由給較便宜的模型，把 Pro 留給最難的 20%。

GPT-5.5 Pro vs Claude Fable 5

在兩家廠商都有報告的程式開發基準測試上，Claude Fable 5 決定性地勝過基礎版 GPT-5.5。但 Fable 5 目前已被暫停，所以這個勝出帶有附註。而且這個比較比表面看起來更複雜，因為 OpenAI 根本沒有公布 GPT-5.5 Pro 的程式開發分數。所以誠實的對照其實是 Fable 5 vs 基礎版 GPT-5.5 的程式開發能力，Pro 缺席。

以下是三方對照表。Fable 5 的數字歸屬於 Anthropic 公布的表格；空白的 Pro 欄位就是空白：

這張表有兩個注意事項。第一，Terminal-Bench：基礎版 GPT-5.5 在 v2.0 上是 82.7%，v2.1 上是 83.4%，而 Fable 的 88.0% 是 v2.1，所以在判定差距之前，請確認你看的是同一個版本。第二，GDPval-AA 不是百分比，而是 Elo 式分數（Fable 1932 vs 基礎版 GPT-5.5 1769），完全是不同的量表，不要在心里把它跟百分比欄位對齊。HLE 無工具的 Fable 數字也因來源而浮動：CodingFleet 列 56.8%，其他摘要寫 59.0%，所以我們報告區間。

SWE-Bench Pro 是自主程式開發最值得錨定的基準測試。它包含 41 個活躍儲存庫中的 1,865 道題目（根據 arXiv 2509.16941），任務需要資深工程師花數小時甚至數天，且涉及多檔案修補。在這項測試上，Fable 5 的 80.3% 對基礎版 GPT-5.5 的 58.6%，差距很大。

現在說那個附註。Claude Fable 5 在 2026 年 6 月被暫停，依據美國出口管制指令（約 6 月 12 日）。所以「Fable 贏在程式開發」在數字上屬實，但在結帳時目前沒有意義。如果你想看 Anthropic 那邊更完整的分析，這是我們的 Claude Fable 5 完整解析。至於 GPT-5.5 表格在數學上對比的模型，請看 Claude Opus 4.8。

OpenAI 沒有為 Pro 公布的基準測試

OpenAI 從未發布 GPT-5.5 Pro 在程式開發（SWE-Bench Pro）、電腦操作（OSWorld-Verified）、網路安全、長文本記憶或抽象推理上的分數。這些欄位在官方表格中是空白的。空白不代表模型在這些方面差，而是代表沒有公布的數字，任何引用數字的人不是在猜測，就是誤引了基礎版的分數。

這很重要，因為這是最多人搜尋的缺口。如果你搜過 GPT-5.5 Pro 的 SWE-Bench Pro 分數，答案是沒有。OpenAI 從未公布。GPT-5.5 系列在這個基準測試上唯一存在的數字是基礎版的 58.6%，那是基礎版的數字，不是 Pro 的。我們刻意這樣標註。

我們能負責任地說的：

• 程式開發（SWE-Bench Pro）：Pro 未公布。基礎版 GPT-5.5 = 58.6%（基礎版，非 Pro）。
• 電腦操作（OSWorld-Verified）：Pro 未公布。基礎版 = 78.7%（基礎版，非 Pro）。
• 網路安全：Pro 未公布，表格中沒有可用的基礎版代理數字。
• 長文本：Pro 未公布，沒有可用的基礎版代理數字。
• 抽象推理：Pro 未公布。

Pro 的平行算力能不能拉高那些基礎版數字？根據瀏覽和數學上的模式，很可能。但「很可能」不是基準測試，我們不會印出 OpenAI 沒給的數字。這份克制正是這個章節存在的原因。

定價：$5/$30 vs $30/$180 vs $10/$50——Pro 值 6 倍嗎？

GPT-5.5 Pro 大約是基礎版 GPT-5.5 的 6 倍：每百萬 token 輸入 30 美元、輸出 180 美元，基礎版是 5 美元／30 美元。Claude Fable 5 落在中間，10 美元／50 美元。對高難度研究和前沿數學值得，對日常工作幾乎不值得。

那誰真的該付這個溢價？依工作類型的粗略判斷：

• 高難度研究、前沿數學、深度多步驟瀏覽：GPT-5.5 Pro 值得。基準測試的增益是真實的，任務價值也高。
• 大型儲存庫的自主程式開發：能取得 Fable 5 就用 Fable 5，否則用基礎版 GPT-5.5 搭配程式開發框架。為一個未公布的程式開發分數付 Pro 的價格是一筆爛賭注。
• 日常撰寫、摘要、程式碼審查、客服：基礎版 GPT-5.5。6 倍的開銷在這裡幾乎買不到什麼。

陷阱是把所有東西都預設走 Pro「以防萬一」。在輸出量大的工作負載上，那個 180 美元會快速複利累積。依難度路由，你就能用一小部分帳單保住大部分品質（詳見我們的 LLM API 成本指南）。

我們怎麼核對這些數字（以及來源在哪裡不一致）

在這些數字進入文章之前，我們做了不那麼光鮮的部分：拉出 OpenAI 公布的 GPT-5.5 評測表，把每一列 Pro 的數據跟獨立追蹤平台核對，而不是只信一張截圖。我們交叉比對的來源包括 llm-stats、BenchLM、DataCamp 的 Fable 5 分析、CodingFleet，以及 arXiv 上的 SWE-Bench Pro 論文（2509.16941）。以下是站得住腳的和站不住的。

大部分亮眼的 Pro 數字都能乾淨地對上。BrowseComp 90.1%、FrontierMath Tier 1–3 的 52.4% 和 Tier 4 的 39.6%，以及 30 美元／180 美元的定價，在我們查過的每個來源都一致。SWE-Bench Pro 的 Fable 5 80.3% 對基礎版 GPT-5.5 58.6%，以及 FrontierCode Diamond 的 29.3% 對 5.7%，也都對得上——而 SWE-Bench Pro 的題目數量（41 個儲存庫中的 1,865 道）直接來自論文，不是廠商部落格。

有三件事對不上，你應該知道：

• Humanity's Last Exam 有工具版，Fable 5 的數字依來源不同落在 56.8% 到 59.0% 之間。我們引用區間，而非挑一個喜歡的。
• Terminal-Bench 的數字在 OpenAI 和 Anthropic 的表格之間於 2.0 版和 2.1 版之間浮動，所以 GPT-5.5（83.4%）vs Fable（88.0%）的差距不是乾淨的同版本比較。
• 投資銀行建模分數（Pro 88.6%）被 OpenAI 標為「內部」，代表沒有獨立追蹤平台能證實。我們每次提到都標為廠商宣稱。

這是誠實的版本。我們當做事實呈現的數字，至少在兩個獨立來源間對得上；其他一切都歸屬於報告者。我們沒有自己跑過 GPT-5.5 Pro——以每百萬 token 30 美元／180 美元的價格，一場認真的正面對決不是我們會假裝做過的，所以我們不會假裝有我們沒有的實驗結果。

廠商報告的實際成果

這些是廠商宣稱，不是獨立實驗室結果，所以請當作接近行銷的證據來讀。OpenAI 和 Anthropic 各自發布了案例研究，描繪了一幅漂亮的圖景。我們以歸屬方式列出，附註是我們均未驗證。

OpenAI 方面，該公司表示一個財務團隊用 Codex 搭配 GPT-5.5 審查了 24,771 份 K-1 稅表（71,637 頁），比前一年的流程快了大約兩週。OpenAI 也報告了一個從單一提示詞在 11 分鐘內建出的代數幾何應用程式，以及 GPT-5.5 Pro 對一個涵蓋 62 個樣本、約 28,000 個基因的基因表達資料集的分析。

Anthropic 方面，Stripe（經 Anthropic 報告）用 Fable 5 在一天內對一個 5,000 萬行的 Ruby 程式碼庫執行了全面遷移，而人工估計需要兩個多月。Anthropic 也表示 Fable 5 從原始截圖完成了 Pokémon FireRed，早期的 Claude 模型需要額外的鷹架工具，而且搭配持久化檔案記憶，它玩 Slay the Spire 的表現比 Opus 4.8 好約 3 倍。

都是令人印象深刻的展示。只要記得，這些是廠商挑選的，而且光靠新聞稿無法重現。

你到底該用哪個模型？

把工作跟模型配對，不是跟熱度配對。程式開發代理和大型儲存庫，如果你用得到 Claude Fable 5 就用它，用不到就用基礎版 GPT-5.5 搭配程式開發框架。研究、前沿數學和深度瀏覽，選 GPT-5.5 Pro。日常工作和成本效率，基礎版 GPT-5.5 幾乎每次都在性價比上勝出。

如果你是在選技術棧而不是單一呼叫，這裡有幾個指引。如果你真的想要一個自主程式開發系統，你要的是工具，不是裸模型，所以從 2026 年最佳 AI 程式開發代理和背景程式開發代理比較開始，了解 Codex 和 Devin 的背景。好奇這個系列接下來會走向哪裡？這是 GPT-5.6 的洩漏消息。

在 Techsy，我們在代理管線中依任務路由——最難的判斷用頂級推理模型，其餘用較便宜的模型——而不是每個請求都付溢價。如果你想對自己的模型組合聽聽第二意見，預約免費諮詢。

關於作者

Mert Batur Gurbuz 是 Techsy.io 的共同創辦人，團隊為 B2B 客戶打造 AI 代理、自動化系統和語音／SDR 管線。他就讀於伯明罕大學，撰寫 Techsy 團隊在生產環境中實際使用的 LLM 工具棧相關文章。歡迎在 LinkedIn 上連結。

常見問題

GPT-5.5 Pro 值得嗎？

取決於工作。對高難度研究、前沿數學和深度瀏覽，GPT-5.5 Pro 相對基礎版的增益（BrowseComp 90.1% vs 84.4%）足以合理化每百萬 token 30 美元／180 美元、約 6 倍的價格。對日常撰寫、程式碼審查和摘要，基礎版 GPT-5.5 用六分之一的成本給你幾乎相同的品質。

GPT-5.5 Pro 比 Claude Fable 5 強嗎？

在已公布的程式開發基準測試上，不是：Claude Fable 5 在 SWE-Bench Pro 上勝過基礎版 GPT-5.5（80.3% vs 58.6%），而 OpenAI 從未公布可供比較的 Pro 程式開發分數。GPT-5.5 Pro 在瀏覽和前沿數學上勝出。有一個陷阱：Fable 5 目前因美國出口管制指令被暫停，所以可用性跟基準測試一樣重要。

GPT-5.5 Pro 的程式開發能力如何？

老實說，從 OpenAI 的數字我們無法判斷，因為 OpenAI 沒有公布 GPT-5.5 Pro 的程式開發分數。這個系列唯一的程式開發數字是基礎版 GPT-5.5 的 SWE-Bench Pro 結果 58.6%，落後 Claude Fable 5 的 80.3%。任何引用「Pro 程式開發基準測試」的人，很可能是在誤引基礎版的數字。

GPT-5.5 Pro vs GPT-5.5 標準版——我該用哪個？

把 GPT-5.5 Pro 用在高難度研究、前沿數學和深度多步驟瀏覽上，它的額外平行算力值得 6 倍價格。把基礎版 GPT-5.5 用在日常工作、程式碼審查和摘要上，溢價在這些地方買不到什麼。在某些測試上，例如 GDPval，OpenAI 的表格甚至把 Pro 列得比基礎版略低。

GPT-5.5 Pro 多少錢？

GPT-5.5 Pro 每百萬輸入 token 30 美元、每百萬輸出 token 180 美元，大約是基礎版 GPT-5.5（5 美元／30 美元）的 6 倍。作為比較，Claude Fable 5 是 10 美元／50 美元。在輸出量大的工作負載上，Pro 的溢價會快速複利累積，所以依任務難度路由而非預設走 Pro，能省下真金白銀。

推理強度「xhigh」是什麼？

推理強度是控制 GPT-5.5 在回答前思考多深的旋鈕。「xhigh」是最高檔，模型使用平行測試時算力探索多條推理路徑，然後挑最好的。OpenAI 在研究環境中以 xhigh 執行其公布的 GPT-5.5 Pro 評測，這與正式版 ChatGPT 的預設值不同。

GPT-5.5 Pro 可以在 Codex 中使用嗎？

可以。你可以在 Codex CLI 中用模型字串 gpt-5.5-pro 呼叫 GPT-5.5 Pro，並將推理強度設為 xhigh 以取得最高算力行為。預期延遲會更高，token 成本也會明顯高於基礎版 GPT-5.5，所以把它留給真正困難的任務，而不是當作預設的程式開發模型。

GPT-5.5 Pro 是新模型嗎？

不是。GPT-5.5 Pro 是同一個 GPT-5.5 模型，以更高的推理強度和平行測試時算力在 xhigh 設定下運行，不是獨立的架構。它共享相同的權重，以及大約 110 萬輸入和 12.8 萬輸出 token 的相同上下文窗口。你付的是更多思考時間，不是更聰明的基礎模型。

GPT-5.5 Pro 的上下文窗口多大？

GPT-5.5 Pro 的上下文窗口大約是輸入 110 萬 token、輸出 12.8 萬 token，與基礎版 GPT-5.5 相同。這足以在單次呼叫中載入大型程式碼庫或長文件。Pro 和基礎版的差別不在記憶體大小，而在模型回答前花多少推理算力。