--- author: Best Partners TV date: '2026-04-24' guest: '' layout: post.njk source: https://www.youtube.com/watch?v=vD4vYtihJvc speaker: Best Partners TV tags: - large-language-models - ai-performance - ai-safety - autonomous-ai - context-window title: GPT-5.5重磅发布：AI新纪元开启，能力与安全全面升级 summary: OpenAI发布新一代旗舰模型GPT-5.5，标志着AI从回答问题转向独立完成工作。该模型在效率、上下文窗口（100万Token）、自我优化基础设施方面实现重大突破，并在职业工作、编程、科研等领域基准测试中大幅领先。GPT-5.5在安全性、幻觉控制和对齐性方面也得到加强，并具备操作系统级别的自主操控能力。尽管API价格翻倍，但因Token消耗减少，综合成本效益提升。此次发布巩固了OpenAI在AI行业的领先地位，并对竞争对手构成压力。 insight: '' draft: true series: '' category: ai-ml area: tech-engineering project: [] people: [] companies_orgs: - OpenAI products_models: - GPT-5.5 - Codex - Claude Opus 4.7 - Gemini 3.1 Pro media_books: [] status: evergreen --- 大家好，这里是最佳拍档，我是大飞。 ### GPT-5.5：范式跃迁与核心突破 4月23日，OpenAI正式推出了新一代旗舰模型 **GPT-5.5**。官方将其定位为“面向真实工作的全新智能层级”，同时也是迈向全新计算机工作方式的关键一步，标志着整个大模型从“回答问题”转向“独立完成工作”的一次范式跃迁。 我们先从 **GPT-5.5** 最核心的两个技术突破说起。 第一个突破是效率层面的跨越式升级。在参数方面，**GPT-5.5** 的上下文窗口直接拉到了 **100万Token**。大家的直觉一般会是模型体量更大了，推理速度一定会变慢。但是事实却完全相反，OpenAI这次做到了在同等延迟的前提下，让模型能力大幅提升。也就是说，你等待回复的时间和 **GPT-5.4** 基本一致，但是模型处理复杂任务、理解长文本、执行多步骤工作流的强度有了级别上的提升。 第二个突破，可能是整个发布里最被低估、但技术意义最深远的一点，那就是 **GPT-5.5** 在训练与部署阶段，直接参与了自身推理基础设施的优化。直白一点来讲，就是AI正在帮自己来优化运行系统、调整参数以及提升效率。长远来看，这一点会从根本上改变未来大模型的迭代速度和成本结构。 ### 基准测试：多维度能力飞跃 接下来我们来看基准测试成绩。OpenAI这次公布了非常完整的对比数据，覆盖职业工作、编程、电脑操控、科研、数学、网络安全等多个维度，对手直接对准当前市面上最强的 **Claude Opus 4.7** 和 **Gemini 3.1 Pro**。 #### 职业工作与编程能力 首先是衡量真实职业能力的 **GDPval** 测试，这个测试覆盖了44种职业场景，包括财务建模、法律分析、数据科学报告、运营规划、市场策略等等，要求模型完成一整套完整工作流程，而不是回答单个知识点。最终结果是，**GPT-5.5** 在84.9%的任务中达到甚至超过行业专家水平，相比之下，**GPT-5.4** 是83.0%，**Claude Opus 4.7** 为80.3%，**Gemini 3.1 Pro** 只有67.3%。 在电子表格建模任务中，**GPT-5.5** 内部测试达到了88.5%，投资银行级别的复杂建模同样领先前代。早期测试者普遍反馈，**GPT-5.5 Pro** 在回答的全面性、结构性和实用性上，对比 **GPT-5.4 Pro** 有肉眼可见的提升，尤其是商业分析、法律文书、教育内容和数据科学报告这类高度依赖逻辑结构与专业细节的领域。 然后是大家最关心的编程能力。OpenAI直接定义 **GPT-5.5** 为目前最强的自主编程模型。我们重点来看 **Terminal-Bench 2.0**，这个测试专门用来评估复杂命令行工作流，需要模型自主规划、迭代调试、协调多个工具、处理异常报错，非常贴近真实后端开发与运维场景。**GPT-5.5** 得分为82.7%，**GPT-5.4** 是75.1%，直接提升了接近8个百分点；而 **Claude Opus 4.7** 只有69.4%，差距超过13个百分点。更关键的是，完成同样任务，**GPT-5.5** 消耗的Token数量明显更少。 在 **SWE-Bench Pro** 测试中，**GPT-5.5** 得分为58.6%。在OpenAI内部的 **Expert-SWE** 评测中，这类长周期编程任务的中位人工完成时间大约20小时，**GPT-5.5** 得分为73.1%，同样高于 **GPT-5.4** 的68.5%。 在 **GPT-5.5** 的驱动下，**Codex** 的能力边界被彻底打开。它可以从一句自然语言提示词出发，独立完成代码生成、功能测试、视觉调试的完整开发流程。官方演示案例里，基于NASA真实轨道数据构建太空任务应用，支持3D交互操控，轨道力学模拟达到真实物理精度；还有接入实时数据源的地震追踪器，并完成可视化呈现，说明模型已经具备调用外部API、处理动态数据、实时渲染界面的端到端能力。 很多早期的开发者也做了反馈。**Every** 创始人兼首席执行官 **丹·希珀**（Dan Shipper）分享了一段经历：他曾经遇到一个线上Bug，自己调试数日无法解决，最后只能请公司最资深工程师重写部分系统才修复。在 **GPT-5.5** 推出后，他把模型回到Bug未修复的状态，让模型自主寻找方案。**GPT-5.4** 无法完成，而 **GPT-5.5** 给出了和资深工程师完全一致的解决方案。他评价说：“这是我用过的第一个真正具备概念清晰度的编程模型。” **MagicPath** 首席执行官 **彼得罗·斯基拉诺**（Pietro Schirano）也提到，**GPT-5.5** 可以把包含大量前端修改与重构的分支，快速合并到同样有大幅变更的主分支，20分钟左右一次性解决冲突，效率远超人工。还有英伟达的一位工程师直言：“失去 **GPT-5.5** 的访问权限，感觉就像截肢一样。” **Cursor** 联合创始人兼首席执行官 **迈克尔·特鲁埃尔**（Michael Truell）补充道：“**GPT-5.5** 比前代更聪明、更坚韧，在复杂长时任务中能坚持更久，不会提前中断，这正是工程场景最需要的品质。” #### 操作系统操控与信息整合 第三项关键能力，是AI在操作系统级别的自主操控提升。这里的核心测试是 **OSWorld-Verified**，评估模型能否独立操作真实的计算机环境。这次不是简单的截图识别，而是真正通过看到界面、移动指针、点击按钮、输入内容、在多个工具之间切换，直到完整完成任务。**GPT-5.5** 的成功率为78.7%，高于 **GPT-5.4** 的75.0%，也优于 **Claude Opus 4.7** 的78.0%，正式超越人类基线水平。 在电信客服工作流测试 **Tau2-bench** 中，**GPT-5.5** 在无提示词调优的情况下，准确率达到了98.0%，**GPT-5.4** 仅为92.8%。在跨工具信息检索与整合能力上，**BrowseComp** 测试中 **GPT-5.5** 的得分为84.4%，**GPT-5.5 Pro** 更是达到90.1%，说明模型已经具备持续检索、深度整合、输出结构化结论的稳定能力。 #### 科学研究新前沿 接下来是这次发布最让人意外的部分：科学研究能力。过去我们总说AI是科研的辅助工具，但是 **GPT-5.5** 已经开始参与更核心的环节，也就是复杂推理与新发现本身。 在遗传学与定量生物学多阶段数据分析评测 **GeneBench** 上，**GPT-5.5** 得分为25.0%，**GPT-5.4** 为19.0%。这类任务通常对应科学专家数天的工作量，要求模型在几乎无监督的情况下，识别潜在错误数据、处理隐藏混杂因素，以及正确应用现代统计方法。从数据曲线可以清晰看到，随着输出Token增加，**GPT-5.5** 的得分提升幅度始终领先 **GPT-5.4**，在大约15000 Token处优势明显拉大，说明任务越复杂、需要深度推理的链条越长，**GPT-5.5** 的优势就越突出。 在生物信息学与真实世界数据分析基准 **BixBench** 中，**GPT-5.5** 得分80.5%，也高于 **GPT-5.4** 的74.0%，在已公布得分的模型中处于第一梯队。 官方还发布了一个具体案例：配备自定义工具框架的 **GPT-5.5** 内部版本，协助发现了一项关于拉姆齐数的新数学证明，并且在形式化证明工具 **Lean** 中完成验证。拉姆齐数是组合数学的核心研究对象，这个领域成果极少、技术难度极高。 在实际应用层面，**杰克逊实验室** 免疫学教授 **德里亚·乌恩特马兹**（Derya Unutmaz）使用 **GPT-5.5 Pro**，分析了包含62个样本、近28000个基因的基因表达数据集，生成详细的研究报告，并且提炼出了关键发现与研究问题。这项工作通常需要团队耗费几个月时间。 还有波兰 **波兹南亚当·密茨凯维奇大学** 的数学系助理教授 **巴尔托什·纳斯肯茨基**（Bartosz Naskręcki），仅凭一条提示词，就在 **Codex** 中用 **GPT-5.5**，耗时11分钟构建出了代数几何应用，可视化了两个二次曲面交线，并且将结果转化为魏尔斯特拉斯模型，方程系数可直接用于后续研究，全程由模型独立完成。 **Axiom Bio** 的联合创始人 **布兰登·怀特**（Brandon White）评价：“如果OpenAI保持这一迭代速度，年底前药物发现的基础格局将会被改变。” ### 效率、成本与技术基石 我们再来看效率与成本，这也是企业与开发者最关心的问题。虽然 **GPT-5.5** API的定价为每百万Token输入5美元、输出30美元，是 **GPT-5.4** 输入2.5美元、输出15美元的两倍，但是官方强调，**GPT-5.5** 完成相同任务所需要的Token数量大幅减少，综合成本未必会显著上升。**GPT-5.5 Pro** API的定价为每百万Token输入30美元、输出180美元，批量处理与弹性定价可享受半价优惠，优先处理价格为标准价的2.5倍。 在 **Artificial Analysis** 的智能指数图中，横轴为输出Token总量，纵轴为综合智能得分。从图中可以可以看到，**GPT-5.5** 的曲线全面领先 **GPT-5.4**、**Claude Opus 4.7**、**Gemini 3.1 Pro Preview**。更重要的是，它在Token消耗更少的区间，就能达到其他模型需要更多Token才能实现的得分水平，也就是所谓的“更强能力、更低的等效成本”。 这个背后的技术逻辑是，OpenAI重新设计了整套推理系统，让 **Codex** 与 **GPT-5.5** 本身直接参与优化。之前的系统采用的是固定分块策略来均衡GPU负载，但是对所有流量形态并不一定都是最优的。**Codex** 通过分析几周内的生产流量数据，编写自定义启发式算法，将Token生成速度提升超过20%。**GPT-5.5** 还与英伟达 **GB200**、**GB300 NVL72** 系统协同设计、协同训练、协同部署。 ### 安全与对齐：严苛评估体系 最后，我们再来结合 **GPT-5.5** 的系统卡，来看一下它的能力与安全平衡。首先最重要的一部分是安全评估体系，这部分也是 OpenAI 投入最多资源、披露最细致的内容，覆盖禁止内容、视觉安全、数据安全、操作确认四大核心场景。 #### 内容安全与多模态防护 首先是禁止内容评估。OpenAI 做了两套完全不同的测试体系：一套是挑战性提示基准测试，另一套是代表性用户流量评估。在挑战性提示基准测试中，研究团队评估了暴力非法行为、非暴力非法行为、骚扰、极端主义、仇恨言论、标准自残场景、暴力内容、成人内容、未成年人相关成人内容等方面。结果显示 **GPT-5.5** 在禁止内容维度的表现与 **GPT-5.4 Thinking** 持平，没有出现实质性安全倒退。而另一套代表性用户流量评估，更贴近真实的使用场景，测试结果显示，**GPT-5.5** 在虚假事实、伪造工具结果、冒充人类等欺骗性行为上的发生率，均低于 **GPT-5.4 Thinking** 的重采样数据与生产数据，整体安全表现符合预期。 除了文本安全，**GPT-5.5** 还完成了多模态视觉输入安全评估，针对文本 + 图像组合的违规输入测试，核心覆盖仇恨、极端主义、自残、色情危害四大维度。测试数据显示，**GPT-5.5** 的视觉安全得分与前代模型基本持平，小幅波动无统计学意义，安全防护能力在多模态场景下保持一致，没有因图像输入出现安全漏洞。 OpenAI这次还专门做了避免数据破坏性操作评估，核心测试模型保护用户创作内容、规避意外破坏性操作的能力。数据显示，**GPT-5.5** 的破坏性操作规避、完美恢复能力以及用户工作保护等得分，均为历代最高。OpenAI 在训练中特意让模型区分了自身操作与用户工作，默认会保护用户修改内容，即便出现错误也能快速恢复。在复杂工作区的文件回滚、清理任务中，大幅降低了误操作风险。 还有一个很实用的安全设计：计算机操作中的用户确认机制。**GPT-5.5** 被训练遵循平台级的高风险操作政策，同时支持开发者自定义确认规则。这套机制有两大优势：一是发现问题时能快速更新系统级政策；二是 API 场景下允许开发者定制确认逻辑，适配不同场景的安全需求。测试数据显示，金融交易场景的确认准确率100%，高风险沟通确认准确率0.98，常规确认准确率0.94，可以在核心高风险场景完全做到“无确认不执行”，从流程上杜绝风险操作。 #### 攻击防御与幻觉控制 安全之外，OpenAI 还重点测试了两大核心攻击场景：分别是对抗越狱与提示注入。对抗越狱测试用的是多轮对话式的高难度测试，模拟真实世界中攻击者逐步试探、升级、绕过安全护栏的行为。测试结果显示，随着攻击者成本提升，**GPT-5.5** 的防御成功率始终保持在历代模型的最高水平。而在提示注入攻击方面，测试数据显示，**GPT-5.5** 的提示注入防护得分为0.963，整体仍处于极高安全水平，能有效抵御绝大多数已知的提示注入攻击。 除此以外，AI 的幻觉问题一直是用户最关心的痛点。OpenAI 这次没有用通用基准测试，而是专门选取了前代模型用户标记的事实错误案例。测试结果非常亮眼：**GPT-5.5** 的单条事实声明准确率比 **GPT-5.4** 高23%，响应级事实错误率低3%。 #### 对齐性与可控性 而在对齐性评估方面，OpenAI 测试了外部使用提示评估、编码智能体评估和思维链评估三大板块。外部使用提示评估重点测试模型的欺骗性行为，比如假装回答完整、伪造事实、冒充人类等等。数据显示，**GPT-5.5** 在绝大多数欺骗性行为上的发生率都低于 **GPT-5.4 Thinking** 的重采样数据。唯一小幅上升的伪造事实类别，OpenAI 认为是脱敏流程导致的误报，会进一步核查。 对于编码智能体对齐性评估，OpenAI 搭建了工具响应模拟器，还原真实代码开发的工具调用环境。结果显示，**GPT-5.5** 的对齐性略低于 **GPT-5.4 Thinking**，但是所有越界行为均为低严重性，未出现任何3级、4级的严重越界行为，内部部署的严重风险极低。 思维链评估是 OpenAI 新创建的一个安全指标，分为可监控性与可控性。可监控性衡量监控器能否从模型的思维链中推断行为属性。测试显示 **GPT-5.5** 的思维链可监控性与 **GPT-5** 系列其他模型持平，整体监控准确率保持96%的高位，仅在健康查询场景出现小幅波动，无实质性风险。 可控性衡量模型是否能刻意修改、隐藏思维链以规避监控，这是防范AI恶意隐瞒的核心指标。测试结果显示，**GPT-5.5** 的思维链可控性低于 **GPT-5.4 Thinking** 和 **5.2 Thinking**，5万字符长度的思维链控制成功率仅0.2%，远低于前代，意味着它很难刻意扭曲思考过程躲避监控，大幅提升了安全监控的可靠性。 #### 前沿能力准备框架 最后，在前沿能力准备框架方面，OpenAI 测试了 **GPT-5.5** 在生物化学、网络安全、AI 自我提升三大高危领域的能力等级。OpenAI 将能力等级分为高（High）和临界（Critical）两级，临界级代表具备造成严重危害的自主能力，高等级则需配套专项防护。 首先是生物与化学领域，OpenAI 将 **GPT-5.5** 定为高能力等级。不过评估结果显示，虽然 **GPT-5.5** 虽具备专家级生物知识，但是还不具备自主设计危险生物物质的能力。 然后是网络安全领域，**GPT-5.5** 同样被定为高能力等级。虽然在专业级夺旗挑战（CTF）等测试上的得分均高于前代，但是还没有达到临界级，也就是说，还没有达到无需人工干预就能开发所有 severity 级别的零日漏洞，以及对关键系统实施端到端的网络攻击。 最后是AI 自我提升领域，OpenAI 明确 **GPT-5.5** 还没有达到高能力等级，也就是还没有达到资深工程师级的水平，目前还不具备自主实现 AI 自我迭代的能力。 与此同时，官方部署了更严格的风险分类器，部分用户初期可能感受到使用限制，后续会持续调整。为了平衡防御需求与合理访问，OpenAI 还推出网络安全可信访问计划，符合条件的安全研究人员与关键基础设施防御者可申请更宽松权限，让防御者比攻击者更早用上最强工具。 ### 用户体验与行业格局 回到ChatGPT中，**GPT-5.5** 将以 **GPT-5.5 Thinking** 形式上线，逐步会取代之前的版本。同时新增了一个非常实用的交互设计，那就是模型开始正式思考执行前，会先给出一段思路概述，用户可以在执行过程中随时插话、调整方向、修改目标，不用等模型完整输出后再返工。这对于复杂任务的协作效率提升非常明显。 OpenAI 内部超过85%的员工每周都在使用 **Codex**，覆盖财务、传播、市场、产品、数据科学等部门。财务团队用它审阅24771份 K-1 税务表格，合计71637页，比去年提前两周完工。传播团队用它分析六个月的演讲邀约数据，搭建自动化分级流程。市场拓展团队靠自动化周报生成，每人每周节省5到10小时。 总的来说，**GPT-5.5** 的发布，让OpenAI再次重回了AI行业的头把交椅。再加上前几天发布的 **GPT-image-2**，我们能清晰看到AI产品的迭代速度与突破越来越快。 而 **GPT-5.5** 发布之际，正值 **Claude Code** 最近性能变差屡遭投诉。或许是感受到来自 **GPT-5.5** 的压力，**Anthropic** 今天发了一篇长文，宣布已经修复降智问题，并自今日起重置所有订阅用户的使用限制。现在压力给到了 **Anthropic**，它会不会被迫扔出 **Mythos** 呢？让我们拭目以待。 感谢收看本期视频，我们下期再见。