GPT-5.5实测：更聪明，也更爱“说谎”

值得尝鲜，但不够可靠。

AIX财经（AIXcaijing）原创

作者| 王璐

编辑| 魏佳

4月23日，OpenAI发布新一代旗舰模型GPT-5.5，并在其官网写道，是其迄今为止最智能、最直观易用的模型，也是在计算机上完成工作的新方式的下一步。

这一发布迅速引发行业关注，不仅因为它号称在智能体任务上实现突破，更因其在多项基准测试中展现出的“统治力”。根据第三方评测机构Artificial Analysis公布的综合智能指数榜单，OpenAI凭借GPT-5.5系列在前六名中独占四席，该机构认为，“GPT-5.5让OpenAI重回AI领域的第一位，打破了与Anthropic和谷歌的三方平局。”

但与高性能一同被曝光的，还有高幻觉率。在Artificial Analysis的私有基准测试AA-Omniscience中，GPT-5.5的幻觉率高达86%，远高于Claude Opus 4.7的36%。

这意味着，当这个目前“最聪明”的AI大脑面对不确定或未知的问题时，选择“坦言不知”的概率极低，反而更倾向于“自信地虚构”一个答案。而这种高幻觉率一旦放在需要高可靠性的工作场景中，很可能导致分析偏差、决策失误甚至财务损失。

最强的AI也是最危险的“说谎者”？面对高幻觉率，GPT-5.5究竟能否在实际应用中可靠地完成复杂的知识任务？为了回答这些关键问题，我们对GPT-5.5进行了实测，从处理家庭账本到编写实时对战游戏，测试其应对长上下文、复杂逻辑的知识工作与编程实战能力。

此次测试不仅关乎一个模型的性能，更关乎AI技术进入深水区后，我们如何在拥抱其强大能力的同时，应对其潜在风险。

01.

知识能力：它真的像职场人一样会干活

根据官方发布的基准测试结果，GPT-5.5在几乎所有核心指标上都超越了前代GPT-5.4，在知识工作领域表现尤为突出。

在一项覆盖44个职业的GDPval测试中，GPT-5.5取得了84.9%的得分，不仅超过了83.0%的真实职场人员水平，也高于Claude Opus 4.7的80.3%和Gemini 3.1 Pro的67.3%。该测试模拟了金融分析师、市场经理、软件工程师等多种白领职业的日常工作，要求模型完成信息整合、分析推理、决策建议与报告生成等综合性任务。

此外，GPT-5.5在其他多个实用场景的测试中也表现不错。在模拟复杂客服对话的测试中，无需特别指导就能达到98.0%的准确率；在让AI像真人一样操作电脑完成任务的测试中，得分78.7%；在需要结合图像、文字理解并调用工具解决问题的测试中，分别拿到83.2%和75.3%的分数。这些成绩说明，GPT-5.5正在逐步打通“看、说、做”等一系列能力。

OpenAI还用内部的实际案例证明了它的生产力价值。其财务团队用它审核了24771份K-1税表、总计71637页文件，并称这套流程比上一年提前了两周完成。这说明GPT-5.5是能够直接融入工作流程、切实提升效率的生产力工具。

这些能力在真实生活中用起来怎么样？我们设计了一个贴近家庭的测试来验证。

我们给GPT-5.5多条格式凌乱的单月开支数据，让其扮演家庭数据分析师，完成整理数据、计算总支出、分析各支付方式占比、分类统计开销等任务，并最终生成一份给家人看的建议报告。

这个测试场景设计得虽然简单，却很能看出AI是否真的“好用”。因为家庭记账是很多人的日常，但记录常常是随手写、格式乱，“乱七八糟”的记账数据要求AI不能只会处理整齐的表格，还得能“看懂”手写式的记录、理解每笔钱是什么意思，并把相似项目归到一起。

而算总账、分析钱花在哪儿、给出节省建议，其实对应着一套完整的思考过程，GPT-5.5需要先把信息理清楚，再从里面看出门道、提出可行的办法，最终让它“写报告”，则是要求它会用人能听懂、能接受的方式来汇报工作。

测试结果显示，它准确合并了“外卖-午餐”和“外卖-晚餐”，而且主动提示“支付宝自动扣”应统一计入“支付宝”统计，展现出了理解混乱账目和用户真实意图的能力。

GPT-5.5自主梳理表格并给出分析

在分析中，它通过计算占比，指出“网购”（衣物、书籍）类目支出较高，且多为非急需品，因此建议为这类消费设置预算，给出的建议具体可行。最后生成的报告也充满人情味，那句“稍微管住网购的小冲动，咱们家的开支就能更轻松一些”，符合“给家人看”的沟通要求，语气亲切，建议接地气。

这个简单的测试，相当于在生活场景中还原了上述GDPval测试所考察的核心能力，目前的结果也说明它的专业能力能用到实际生活中。

02.

编程能力：从初级到复杂，它没添乱

除了在日常知识任务中表现可靠，在编程这类对精准性要求更高的“硬功夫”上，GPT-5.5同样展现了不错的进步。

在一项考验“智能体”的基准测试（Terminal-Bench 2.0）中，它拿到了82.7%的高分。这个测试模拟了在命令行里执行一连串复杂操作，就像让AI自己完成一个多步骤的运维任务。它的成绩不仅比自家上一代（GPT-5.4的75.1%）高，也明显超过了竞争对手Claude Opus 4.7（69.4%）。这说明它在需要记住步骤、自己调试、坚持完成长时间任务时，表现更好。

其次，在处理超长内容方面也有进步。在一项针对50万到100万字符超长文本的检索测试中，它的得分达到74.0%，是上一代（36.6%）的两倍还多。这意味着让它分析一本厚书、浏览庞大的代码仓库时，它更不容易“看漏”或“记混”，找信息更准、思路也更连贯。

而且多项测试结果显示，在执行相同的编程任务时，GPT-5.5消耗的token数量显著少于GPT-5.4。就连代码编辑器Cursor的联合创始人Michael Truell也评价说，它比上一代更聪明、更有韧性，调用工具更可靠，面对复杂长期任务时能坚持更久。

简单来说，在编程这类复杂操作场景下，上述数据说明，GPT-5.5不仅更强，而且更稳、更省资源，适合处理那些步骤多、耗时长的实际开发任务。

为了验证它真实的编程能力，我们用一个具体的开发任务进行了测试，从零开始构建并逐步升级一款连连看游戏，并硬性规定其必须使用给到的12种不同的emoji表情。

首先，我们让GPT-5.5生成一个完整可运行的连连看游戏。

这需要它理解开发者的文字需求、设计界面、管理游戏状态，并自主实现核心的路径搜索算法。结果它在几分钟之内便顺利完成了。

GPT-5.5生成的连连看小游戏

接着，我们提高难度，要求它在游戏中加入一个“重绘”道具。

这个道具的功能是：玩家使用时，能消耗“连击”能量，把棋盘上与最后一次消除相同类型的图标全部随机刷新一次。

要实现这一点，GPT-5.5必须做两件事，一是修改游戏背后的数据规则来支持这个新功能；二是确保刷新后的棋盘布局仍然是“有解”的，不会让玩家卡关。最终，GPT-5.5成功写好了这部分代码。

之后，我们继续让其为游戏加入完整的用户系统，包括登录、积分记录和排行榜展示。

这一步主要考验的是，GPT-5.5能否将新功能平滑地接入现有框架，同时保持游戏原有的核心玩法和逻辑不被破坏。

它再一次顺利完成了任务，并且在代码迭代过程中表现得相当克制，没有进行过度重构，也没有引入不必要的变化。

GPT-5.5执行对游戏细节的调整指令

最后，我们将难度推至更高阶的实时对战模式，让两名玩家能在不同浏览器中实时竞争消除。

这其中涉及棋盘状态同步、操作冲突裁决和网络延迟处理等一系列典型的多人在线难题。面对这样一个集成度高、实时性强的复杂挑战，GPT-5.5依然做到了准确交付。

这个从简到繁的测试表明，GPT-5.5在真实编程任务中，既能处理复杂逻辑与架构设计，也能精准响应开发者需求，且不随意重构或引入其他代码，甚至当我们要求回退到上一版本时，它也能稳定恢复到之前的状态。

03.

高幻觉率：能用，但不敢放手

尽管在实测中表现惊艳，但结合公开数据来看，GPT-5.5依然没有超过市场太大预期，而且存在不可忽视的风险。

来看一组对比数据。

在Artificial Analysis的私有基准测试AA-Omniscience中，GPT-5.5的幻觉率高达86%，而Claude Opus 4.7仅为36%。这意味着在该测试所设定的、专门探测模型知识边界的场景下，当GPT-5.5面对不确定的答案时，其“坦言不知”的概率远低于对手，更倾向于生成一个可能错误的回答。

需要注意的是，这86%并不意味着模型在大多数日常问答中都会产生幻觉，而是其在触及知识盲区时的特定行为倾向。一位从业者解释，这可能是因为GPT-5.5的事实知识覆盖面更强，但不确定性也更偏激进，对于不确定的问题会猜答案。但在将其用于需要高可靠性的任务时，这一指标仍需引起高度警惕。

当GPT-5.5被部署到“自主工作”场景中时，这种高幻觉倾向可能会引发风险。

图源 / pexels

比如在数据分析与报告生成任务中，它可能自信地引用不存在的数据、编造统计趋势，或基于错误事实提出决策建议，导致用户做出偏离实际的商业判断。而在编程与调试环节，它提供的代码方案也许看起来合理，却可能无法运行，甚至暗藏安全漏洞，大幅增加后期排查与修复的成本。

而且，这类幻觉往往以高度自信、逻辑自洽的形式呈现。对于缺乏相关专业背景的用户而言，这种“确定性”输出极具欺骗性，需要提高警惕。

除了技术层面的隐忧，OpenAI此次的商业策略也显露出明确的意图：先用生态锁定用户，再用涨价收割市场。

一方面，GPT-5.5首发时并未同步开放API，仅限自家ChatGPT和Codex使用，初步将用户锁定在其应用生态内。另一方面，GPT-5.5的定价相比上一代有了明显上涨。根据官方公布的数据，GPT-5.5每处理100万tokens，输入收费5美元，输出收费30美元。而上一代的GPT-5.4，输入和输出价格分别为2.5美元和15美元，这意味着新一代的价格直接翻了一倍。

如果与当前的主要竞争对手对比，Anthropic最强的模型Opus 4.7定价为每百万tokens输入5美元、输出25美元。可以看出，GPT-5.5在输入价格上与对手持平，但在输出价格上则高出20%。

尽管OpenAI解释称，token使用效率的提升可对冲价格上涨，使用户实际成本无明显增加，但具体性价比仍需业界进一步验证。

对于这一模型，资深Agent从业者赵江杰评价道，这次GPT-5.5的发布并未形成断档领先，不如对社区热传的“Spud”模型预期的大幅提升期望那么大，但在agentic和coding能力上仍然继续保持头部顶尖位置，agentic能力提升的同时也在推动基模厂商提升模型迭代效率，OpenAI的下一代突破模型（GPT-6）很可能也在路上了。

总之，对普通用户而言，GPT-5.5或许值得尝鲜，但不应视其为绝对可靠的工具，对企业用户来说，在将其接入核心工作流前，则必须慎重，一旦出现那86%的“自信错误”，该由谁来兜底？