GPT-5.5 深度解析：智能体时代的"原生大脑"是怎么炼成的？从技术原理到实操指南

本文由 莫潇羽@无忆研习社（www.wuyi.wiki） 原创整理，转载请注明出处。

📌 快速摘要（30 秒看懂全文核心）

结论先行：北京时间 2026 年 4 月 24 日凌晨，OpenAI 正式推出代号 "Spud"（土豆） 的新一代旗舰模型 GPT-5.5。它不是传统意义上的"小版本迭代"，而是 自 GPT-4.5 以来第一个完整重训练的基座模型，定位为"智能体时代的原生大脑"。

三个关键信号，需要你在继续阅读前先知道：

• 性能层面：GPT-5.5 在 Terminal-Bench 2.0（82.7%）、GDPval（84.9%）、Expert-SWE（73.1%）等 14 项核心基准上拿下 SOTA，全面压制一周前刚登顶的 Claude Opus 4.7（69.4% / 80.3%）。
• 产品层面：OpenAI 首次把旗舰模型的叙事从"聊天补全"彻底切换到"智能体运行时"——能自主规划、调用工具、在浏览器和本地软件间跨界处理复杂任务，最长可连续工作 7 小时以上。
• 价格层面：API 定价翻倍（输入 5 美元 / 百万 Token，输出 30 美元 / 百万 Token），GPT-5.5 Pro 更是飙到输入 30 美元、输出 180 美元。OpenAI 给出的解释是"Token 效率显著提升，整体成本反而可能下降"。

本文会系统拆解：GPT-5.5 的技术原理、各项基准测试背后的真实含义、在 Codex 中的端到端编程示范、协助证明拉姆齐数定理的科研应用，以及与 Claude Opus 4.7 的横向对比。无论你是想理解 AI 趋势的普通读者，还是正在选型的开发者，都能在下面的 1.3 万字里拿到完整答案。 往下看有更详细的拆解。

另外补充几个值得你提前留意的关键事实：

• GPT-5.5 是 OpenAI 首次把旗舰模型"向下交付"给 ChatGPT Plus、Pro、Business、Enterprise 四个档位的付费用户；API 访问还在逐步开放。
• 早期企业试用者包括纽约梅隆银行、NVIDIA、Cursor、Every 等，反馈集中在"幻觉抑制"、"长任务稳定性"、"自主性"三点上。
• 与 GPT-5.4 相比，单 Token 生成延迟没有变慢——这是 OpenAI 近年来少见的"能力提升 + 延迟持平"的发布。
• 单次任务平均 Token 消耗下降 20%–30%，任务级成本的实际涨幅远低于 Token 单价的翻倍幅度。
• 这已经是自 2024 年以来 OpenAI 的又一次主要模型发布，迭代节奏从"年度"被压缩到"月度"。

一、时代的分水岭：8 天内 AI 前沿完成一次完整翻转

先把时间线捋清楚。

• 2026 年 4 月 16 日，Anthropic 发布 Claude Opus 4.7。它把 SWE-Bench Pro 从 53.4% 一口气拉到 64.3%，SWE-Bench Verified 达到 87.6%，在代码基准上抢走了上一代 GPT-5.4 手里的王座。消息一出，Cursor、Warp 等 AI 编程工具链的早期伙伴纷纷表态"Opus 4.7 在代码重构上优势明显"。
• 整整一周后的 4 月 23 日（美东时间），OpenAI 反手就是一记直拳，发布 GPT-5.5。短短 6 个小时，Terminal-Bench 2.0、Expert-SWE、GDPval、OSWorld-Verified、Tau2-bench、BixBench、FrontierMath Tier 4 等 14 条核心基准线全部被新模型跑到 SOTA。

Opus 4.7 发布到 GPT-5.5 发布，真正的间隔只有 7 天。这种节奏在过去两年的 AI 发布史上罕见——它不再是"论文节奏"，已经是"产品节奏"甚至"抢购节奏"。

莫潇羽@无忆研习社 在这里先下一个判断：2026 年的前沿模型竞争，已经完全脱离"谁的 Benchmark 分数高"这种单一维度的比较。每一次旗舰发布，实际上都是对"下一代计算机交互范式"的一次卡位。谁先定义"AI 如何替人干活"，谁就定义了下一代 PC、浏览器和办公软件该长什么样。

OpenAI 总裁 Greg Brockman 在发布会上的原话是："这朝着一种更具智能体特征、更符合直觉的计算方式迈出了一大步。"翻译过来就是一句大白话：以后你不用再手把手教 AI 怎么做，把任务扔给它，它自己会规划、找工具、查结果、反复迭代，直到搞定。

这就是 GPT-5.5 真正想卖给你的东西。

二、技术定位：GPT-5.5 到底"新"在哪里？

从外部观察到的几条硬信息，能拼出一个相对清晰的架构侧写：

• 全新基座模型。多家早期测试伙伴以及业内分析（例如 Lushbinary、DigitalApplied 等的独立测评）都提到，GPT-5.5 是自 GPT-4.5 之后首个经过完整重训练的基座，而不是在 GPT-5 基础上做的轻量级后训练。这也解释了为什么它在代码语义理解、多文件推理上出现阶跃式提升。
• 原生全模态（Omnimodal）。文本、图像、音频、视频统一在一个系统中处理，不是"主模型 + 外挂视觉模块"的组合方案。这一点对智能体接管计算机、读取屏幕至关重要。
• 1M Token 上下文窗口。延续了 GPT-5.4 引入的大上下文能力，可以一次性把一整个中等体量的代码仓库或几十份长文档塞进输入。
• Token 效率优化。OpenAI 公开数据显示，GPT-5.5 在完成 Codex 任务时消耗的 Token 数量比 GPT-5.4 显著更少，部分长任务降幅可达 30% 左右。
• 延迟对齐。尽管模型能力提升明显，但单 Token 生成延迟与 GPT-5.4 持平，没有出现"模型越强越慢"的老毛病。

这五条组合在一起，就是 OpenAI 给 GPT-5.5 定下的核心目标：在不牺牲速度和成本可控性的前提下，把"智能体执行力"这件事做到工业化可用的门槛之上。

为了让你更直观地理解代际关系，我整理了一张对照表：

关于代号"土豆"，外界猜测最多的解释是：OpenAI 内部想表达这个模型"长得不起眼、但营养很足"。不管真实含义如何，一个内部代号能在公开发布时被大张旗鼓地保留下来，至少说明团队对它足够上心。

三、编程王座易主：三条基准线拆开看

编程能力是这次 GPT-5.5 最值得深聊的主战场。我们不能只看一张汇总图，要把三条最具代表性的基准分开讲清楚它们到底测了什么。

3.1 Terminal-Bench 2.0：全链路 Agent 工程能力

这是一个全新的测评基准，核心特点是 给模型一个真实的终端沙箱和一个模糊的目标，模型自己要完成："理解需求 → 规划路径 → 调工具 → 写脚本 → 处理报错 → 反复迭代 → 最终验证"的全部链路。

这不是"给一段代码让你挑 Bug"那种静态题目，而是真真切切让模型去"当一个运维工程师"。

GPT-5.5 在这里把 Opus 4.7 拉开了 13.3 个百分点，比 GPT-5.4 时代的 5.7 个百分点差距进一步扩大。这是一次代际意义上的拉开。

早期测试者还给了一个很直观的评价："GPT-5.5 能像一个 有耐心的高级工程师 那样，长时间保持在任务上不停摆，在面对模糊错误时能自己琢磨出修复点在哪。"

要理解这条基准为什么难，举一个 Terminal-Bench 2.0 里的真实题目做例子。题目是这样描述的：在一个包含 120+ 文件、3 万行代码的 Python 服务中，生产环境出现了"偶发性 500 错误"，但日志里找不到明显的 Trace。你有完整的终端权限，没有更多提示。

人类工程师接到这种题目的平均处理路径通常是：

• 先读项目结构，找到入口文件和主要模块
• 大致定位问题可能的触发点（异步代码？数据库连接池？缓存失效？）
• 加临时日志、重启服务、反复尝试触发
• 逐步缩小问题范围，最后定位到一个具体函数
• 提交修复并补测试，确认问题不再复现

在 GPT-5.5 之前，基本没有哪个通用模型能在无人监督的情况下把这整条链路走通。GPT-5.4 可以完成前两步，中间会频繁因为"重启服务后丢失上下文"而放弃。Opus 4.7 在代码阅读和 Bug 定位上更强，但在"耐心地循环等待复现"这件事上还是会不定时自停。GPT-5.5 的 82.7% 意味着它能在绝大多数此类题目里坚持走完全程。

这种"长耐心 + 强自主"能力背后的工程实现，业界普遍推测包含三个关键技术：

• 训练阶段的长轨迹强化学习。也就是用大量"多小时级别的成功 Agent 轨迹"做奖励建模，让模型学会在长任务中保持目标一致性。
• 原生 Compaction 支持。当对话上下文接近 1M Token 上限时，模型能自动压缩历史轨迹，保留关键决策点，抛弃冗余细节。
• 工具搜索的延迟加载（tool_search）。大型 MCP 生态里的工具可能有上千个，每次都塞进 Prompt 代价极高。GPT-5.5 先做工具搜索、只加载相关工具，显著降低长任务的 Token 累积。

3.2 SWE-Bench Pro：真实 GitHub 问题解决能力

SWE-Bench Pro 覆盖 Python、JavaScript/TypeScript、Java、Go 四种语言，比起旧版 Verified 更难、更抗过拟合，行业里常被当成"工业级 Bug 修复能力"的金线。

在这一条上，Opus 4.7 仍然领先。不过 OpenAI 在基准图上给 Opus 4.7 打了一个星号，注释写的是"Anthropic 报告称在部分问题子集上存在过拟合（记忆）迹象"。Anthropic 也在自己的论文里做了脱敏子集分析，并且 Opus 4.7 在过滤后的分数依旧保持优势。

换句话说，SWE-Bench Pro 这条线的结论应该这样理解：

• 对于大 PR 重构、多文件 Bug 修复这种传统软件工程任务，Opus 4.7 仍然更稳。
• 但 SWE-Bench 这一类"从仓库里拉 Issue 然后修复"的评测，已经接近饱和，不再能拉开第一梯队模型的差距。 这是 OpenAI 自己也承认的事实——他们正在把测评重心往"长周期、多工具协作"的 Expert-SWE、Terminal-Bench 方向迁移。

3.3 Expert-SWE：20 小时量级长周期编程

这是 OpenAI 内部的一套高难度编程基准，题目都是人类工程师预估中位完成时间达到 20 小时 的复杂项目级任务。它比 SWE-Bench Pro 更贴近"一个资深工程师花两三天做一个功能"的真实场景。

这里最关键的信息并不是分数本身，而是一个附带事实：GPT-5.5 在拿到这个分数的同时，消耗的 Token 比 GPT-5.4 明显更少。也就是说，长任务的执行效率出现了实打实的提升，而不是"靠烧更多思考 Token 换取分数"。

综合这三条基准，OpenAI 的底牌已经很明显：

• 在"命令行里长时间作业"的智能体编程场景，GPT-5.5 是新的天花板。
• 在"传统 PR / Bug 修复"场景，它与 Opus 4.7 各有长短。
• 在"长周期复杂项目"场景，它建立了一个 GPT-5.4 都望尘莫及的新基线。

莫潇羽@无忆研习社 的实操建议是：如果你的团队在用 Cursor、MCP 做大规模代码重构，Opus 4.7 的出厂经验仍然更成熟；但如果你在 Codex CLI 里跑端到端的功能开发任务，GPT-5.5 已经可以取代 GPT-5.4 和 Opus 4.7 成为默认选择。

四、Codex 进化：从"写代码助手"到"能操作电脑的工程师"

光有模型能力不够，OpenAI 这次还把整个 Codex 平台做了同步升级。

4.1 Codex 里的 GPT-5.5 能做什么？

根据官方改版说明和开发者文档，当前 Codex 环境下 GPT-5.5 的新能力大致可以分为五类：

• 端到端任务链路：从需求理解、架构设计、实现、重构、调试、测试到验证，一条龙自动化。对开发者来说，输入可以是一句模糊的需求（"帮我做一个 UFO 射击小游戏"），输出是一个完整可运行的项目。
• 内置浏览器操作能力：Codex 应用现在可以直接操作应用内的本地浏览器，用来访问本地开发服务器、点击 UI、复现视觉 Bug、验证前端修复。这让智能体"自己验收自己的代码"成为可能。
• 文件查看器：新增的文件预览功能让生成的电子表格、PPT 和文档可以直接在 Codex 内部审阅和迭代，省去了"生成 → 下载 → 打开 → 找问题 → 回到对话修改"的繁琐循环。
• 自动审查 Agent：针对可能有风险的操作命令，Codex 会先过一遍内置的自动审查 Agent，再决定是否放行。这是智能体在长时间无人值守运行时的安全兜底。
• 更细粒度的推理控制：TUI 快捷键 Alt + , 和 Alt + . 可以实时调低/调高模型的推理深度，开发者能根据任务复杂度随时切换"深度思考"和"快速回答"两种模式。

4.2 两个官方演示 Demo 的技术拆解

官方发布材料里给出了两个特别有代表性的示例，我帮大家把技术细节讲透。

示例一：Artemis II 太空任务实时可视化

OpenAI 提供的 Prompt 大致长这样：

我上传一张 NASA Artemis II 任务截图，请用 WebGL 和 Vite 搭一个可交互的 3D 轨道模拟器，
轨迹数据必须来自 NASA/JPL Horizons 的真实矢量数据，要有逼真的轨道力学，
完成之前不许停。

看起来是一句话，实际上背后涉及到几十个技术决策：

• 选前端脚手架：Vite 还是 Next.js？
• 3D 库用 Three.js 还是 Babylon.js？
• JPL Horizons 的数据怎么拉？是服务端代理还是直连？
• 坐标系用 J2000 地心惯性系还是别的？
• 轨道插值用线性还是拉格朗日？
• 相机控制、HUD 布局、资产加载……

GPT-5.5 在一次对话里把这些决策都做完，并且做得合理：用 Vite 而不是 Next.js（因为没有 SEO 需求和 SSR 场景，Vite 的开发体验更好）；用 Three.js + 自研的拉格朗日插值（8 阶多项式平滑 60fps 轨迹）；通过自建的无服务器代理解决 NASA API 的 CORS 问题。

这些设计决策不是"背出来"的模板，而是在这次任务的具体约束下做的取舍。这是 GPT-5.5 相比上一代最明显的提升点——它开始能像人类工程师那样，从问题出发反推架构。

示例二：Three.js 坦克打飞碟游戏

这个 Prompt 更考验智能体的任务切分能力：

用 Three.js 做一个 UFO 射击游戏，玩家控制坦克击落头顶飞过的飞碟，
低多边形风格但要好看。
先给出完整文件结构和需要改动的文件清单，
再写全部代码，完成之前不许停。

注意这里的 Prompt 设计有一个关键细节：先给文件结构，再写代码。这是"先 Plan 后 Write"的 Agentic 编程范式，GPT-5.5 在这种范式下表现得特别好。它会像一个严谨的 Tech Lead 那样，先把整个工程拆成几个清晰的模块（主循环、输入系统、射击判定、粒子特效、音效管理等），然后逐个模块填代码，最后自己在浏览器里运行验收。

早期接触模型的 NVIDIA 工程师说了一句很有画面感的话："失去 GPT-5.5 的访问权限，就像被截肢一样。" 这不是官方公关稿里的一句鸡汤，而是真实的使用反馈。

4.3 开发者视角的 API 调用示例

为了照顾有实际接入需求的读者，这里贴一段典型的 Codex SDK 调用代码片段（API 还在逐步开放中，代码结构以 OpenAI 官方文档为准）：

# 伪代码示例：调用 GPT-5.5 处理一个多步骤任务
from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY")

response = client.responses.create(
    model="gpt-5.5",
    reasoning={"effort": "high"},     # 可选：low / medium / high / xhigh
    input=[
        {
            "role": "user",
            "content": "把这个目录里的 Python 脚本重构为模块化结构，"
                       "并补上单元测试，测试覆盖率不低于 80%。"
        }
    ],
    tools=[
        {"type": "file_search"},
        {"type": "code_interpreter"},
        {"type": "computer_use"}      # GPT-5.5 新增的原生能力
    ],
    max_output_tokens=50000
)

print(response.output_text)

这里有几点对开发者特别友好：

• reasoning.effort 参数可以灵活选择推理深度，省钱和提质量之间的平衡掌握在你手里。
• tools 里的 computer_use 是 GPT-5.5（及 5.4 之后）才具备的原生能力，可以直接让模型点击屏幕、导航页面、读取 UI 内容。
• max_output_tokens 建议拉得足够大，因为 GPT-5.5 在长任务上 Token 效率显著提升，上限打得宽一些可以避免被截断。

无忆研习社（www.wuyi.wiki） 长期关注这类"模型 + 开发范式"的变化。从 Copilot 到 Cursor 到 Codex，每一次底层模型的进步，都会带来一整套工程实践的重写。GPT-5.5 这次的冲击，远不止"又一次跑分更新"。

4.4 智能体编程的 Prompt 工程实战

GPT-5.5 对 Prompt 的"吃法"和过去几代模型有一些微妙的变化。我把常用的几种范式整理在这里，供大家直接复用。

范式一：Plan-then-Execute（先规划后执行）

这是智能体编程里最经典的范式。核心思想是：让模型先把任务拆成一个清晰的执行计划，人类确认后，模型再按计划执行。

适合场景：中等复杂度、改动涉及 5 到 50 个文件的功能开发。

Prompt 模板：

请帮我实现 [功能描述]。

第一步：请先不要写任何代码，只输出：
1. 需要新建/修改的文件清单
2. 每个文件的主要改动点（用一句话描述）
3. 你认为可能遇到的三个风险点

第二步：等我确认计划后，再开始写代码。
要求：
- 所有代码必须通过类型检查
- 公共函数要有 docstring
- 新增功能要补配套测试

范式二：Constraint-Anchored（用约束锚定范围）

适合场景：重构、性能优化、UI 调整等"边界容易跑偏"的任务。

关键技巧：把不该改的东西显式列出来。GPT-5.5 对"禁止项"的遵守程度明显好于上一代。

Prompt 模板：

请优化 [某模块] 的性能。

硬约束（绝对不能改）：
- 所有公开 API 的签名必须保持不变
- 数据库表结构不能变
- 业务逻辑的最终结果必须一致（用现有测试集验证）

软约束（尽量不要改）：
- 尽量不引入新的依赖
- 日志格式保持原样

允许改的部分：
- 内部实现、私有方法、数据结构、缓存策略

范式三：Self-Review Loop（自我审查循环）

适合场景：对代码质量要求高的生产环境改动。

核心做法：让模型在提交前，扮演一个 Code Reviewer 角色对自己刚写的代码进行审查，指出潜在问题，再修正一遍。

Prompt 模板：

你现在要实现 [功能]。完成后请切换视角，假装你是一个资深 Code Reviewer：
- 检查代码风格
- 找出潜在的空指针 / 并发问题 / 边界异常
- 评估测试覆盖率
- 输出一份 Review 报告

然后根据报告，再修改一遍代码，直到你自己作为 Reviewer 找不出明显问题为止。

范式四：Parallel Subagents（并行子 Agent）

适合场景：多个相对独立的子任务可以并行推进时。

Codex 从 5.4 开始支持子 Agent，5.5 下并行能力更强。典型用法：一个主 Agent 协调任务，拆出若干个子 Agent 分别跑测试、读代码、查文档。这种做法 Token 消耗会高，但总耗时显著缩短。

莫潇羽@无忆研习社 提醒：子 Agent 虽然强大，但并不适合所有任务。对于需要严格顺序、上下文高度耦合的工作，单 Agent 串行往往效果更稳。这是需要根据具体业务场景实测的。

五、知识型工作：GDPval、OSWorld、Tau2-bench 三条线彻底刷新

编程之外，GPT-5.5 的另一个主战场是"办公室里的脑力活"——也就是 OpenAI 反复强调的 Knowledge Work。

5.1 GDPval：44 个职业的真实工作评测

GDPval 是 OpenAI 2025 年就推出的一套评测基准，覆盖律师、会计师、医生、工程师、教师、市场分析师等 44 个专业岗位的真实交付物——PPT、财务模型、法律备忘录、市场分析报告等等。

特别有意思的一点是，标准版 GPT-5.5 的 GDPval 得分甚至超过了 GPT-5.5 Pro。这一反常识的结果，官方解释是"标准版的意图理解和 Token 效率优化得更激进"，Pro 版在某些任务上反而因为过度推理而得分略低。

5.2 OSWorld-Verified：AI 操作真实电脑的能力

OSWorld-Verified 是专门测 AI 能否在真实操作系统（Windows、macOS、Linux）里独立完成任务的基准。测试项目包括："打开 Excel 并完成一张季度报表"、"在浏览器里提交一份工作申请"、"用 Slack 和 Zoom 处理多轮会议安排"等等。

GPT-5.5 和 Opus 4.7 在这一条上基本打平，差距不到 1 个百分点。这说明"AI 操作电脑"这件事已经从"能跑"进入"可用"阶段，两家头部厂商都站在同一条线上。

5.3 Tau2-bench：复杂客服工作流

Tau2-bench 测试的是"接客服电话、查订单、改地址、做退款"这种多轮对话 + 系统查询 + 执行操作的复杂客服场景。

GPT-5.5 在这里拿到 98.0%（未做任何 Prompt 调优），意味着在标准化客服场景里，它已经具备了"直接替代一线客服"的稳定性。

5.4 一些来自早期用户的真实案例

OpenAI 官方博客披露了一组很值得细看的内部使用数据：

• 85% 以上的 OpenAI 员工 每周跨部门使用 Codex。
• 公关部门：用 GPT-5.5 分析了过去 6 个月的演讲邀约数据，搭建了一套评分和风险评估框架，低风险的请求直接走 Slack AI 智能体自动处理，节省了大量人工筛选时间。
• 财务部门：审查 24,771 份 K-1 税表，共 71,637 页，比去年同期提前两周完成。
• 市场团队：每周业务报告现在由 GPT-5.5 自动生成，每周为团队节省 5 到 10 个小时。

外部大型企业也提供了证词。纽约梅隆银行 的 CIO Leigh-Ann Russell 在发布会前的试用中特别提到："作为一家高度监管的金融机构，我们看重的不只是响应质量，而是它的幻觉抑制能力。GPT-5.5 在这一点上有明显的阶跃式进步。"

这一条对企业采购决策链条非常关键——金融、医疗、法律这些行业过去一直在观望，原因不是模型"不够聪明"，而是"不够稳"。Token 效率提升加上幻觉抑制，这两件事加起来才能让企业级用户真正下决心。

六、科研加速：从拉姆齐数到生物信息学

GPT-5.5 让外界最震动的点不是跑分，而是 它真的开始产出原创的科研结果。

6.1 拉姆齐数新证明：一份经过 Lean 验证的定理

OpenAI 在发布时公开了一份 PDF 论文（官方地址：https://cdn.openai.com/pdf/6dc7175d-d9e7-4b8d-96b8-48fe5798cd5b/Ramsey.pdf），内容是一个关于 非对角拉姆齐数（non-diagonal Ramsey numbers） 长期渐近性质的新证明。

拉姆齐数是什么？简单说，它研究的是一个问题：一个网络到底要大到什么程度，才一定会出现某种不可避免的规律性结构？ 经典表述是：6 个人里一定有 3 个互相认识或 3 个互相不认识，这个"6"就是一个最小拉姆齐数。

这个看起来朴素的问题，在数学上极其困难。目前人类知道的完整拉姆齐数 (R(s, t)) 的具体值屈指可数。任何一个涉及渐近行为的新定理，都是组合数学领域的一次重要进展。

而 GPT-5.5 做到的是：

• 对一个过去数十年没有显著进展的渐近猜想，给出了一个完整的新证明。
• 这个证明不是"抄 arXiv"、不是在训练数据里背下来的——它在形式上完全新颖。
• 证明被手动翻译进 Lean 4 定理证明器中，并通过了机器验证。

Lean 是当代数学界公认的"严格到近乎偏执"的形式化验证工具。一个 Lean 验证通过的证明，意味着每一步推理都被冰冷的机器逻辑审过一遍，不存在口头上那种"大致意思对就行"的余地。

这里值得把拉姆齐数的难点再展开讲几句，帮读者理解这份证明的含金量。对于最小的对角拉姆齐数 (R(5, 5))，数学界至今只知道它在 43 到 48 之间；(R(6, 6)) 的范围则是 102 到 165。这是真正意义上的 "人类花了几十年都没算出一个精确值" 的问题。Erdős 曾经开玩笑说：如果外星人威胁地球人"算不出 (R(5, 5)) 就毁灭人类"，我们应该集中所有数学家和计算机资源去算它；但如果要算 (R(6, 6))，人类最好选择直接开战。

渐近性质研究的是 当 (s, t) 趋于无穷大时，(R(s, t)) 增长速度的上下界。1947 年 Erdős 用概率方法证明了 (R(s, s) \geq 2^{s/2})；1988 年 Shearer 用局部 Lovász 引理得到了改进的上界。之后的几十年里，新的渐近结果屈指可数。GPT-5.5 贡献的新证明，正是在这个几乎停滞的方向上挖出了一块新土。

这件事的意义不止于数学。它第一次把"AI 作为原创数学合作者"这件事从个例（比如 2025 年 Bubeck 用 GPT-5 Pro 证明凸优化新界、Terence Tao 确认的 Erdős #397 问题解法）提升到"系统性可复现"的工程水准。

6.2 生物信息学：BixBench 登顶

BixBench 是一个基于真实生物信息学任务设计的基准，题目需要模型读取基因表达数据集、运行统计分析、识别生物学意义。

有一位来自 Jackson 基因医学实验室的免疫学教授 Derya Unutmaz，用 GPT-5.5 Pro 分析了一个包含 62 个样本、近 28,000 个基因的表达数据集。模型交出的不是一张分析图，而是 一份完整的研究报告：包含数据清洗、差异基因筛选、通路富集、洞察总结和后续可验证的假设。他的原话大致是："如果换成人类团队来做同样的事情，需要花几个月。"

6.3 GeneBench 与 FrontierMath Tier 4

除了 BixBench，GPT-5.5 在另外两个硬核科研基准上也有明显进步：

• GeneBench：测多阶段科学数据分析，模型需要在几乎无人工干预下处理模糊数据、应对隐藏混杂因素。GPT-5.5 得 25.0%，GPT-5.4 是 19.0%。
• FrontierMath Tier 4：这是陶哲轩等顶级数学家策划的前沿数学题库里最难的一档，涉及代数几何、数论、前沿研究方向。GPT-5.5 得 35.4%，GPT-5.4 是 27.1%，Opus 4.7 是 22.9%。差距超过 12 个百分点。

对比一下 Tier 1–3 的差距只有 8 个百分点（51.7% vs 43.8%），说明 越到数学前沿，GPT-5.5 的优势越悬殊。这和我们在 Codex 里观察到的现象一致：越是长周期、高不确定性、需要规划的任务，新模型越能拉开差距。

6.4 科研工作流重构：11 分钟建一个代数几何可视化工具

波兹南·密茨凯维奇大学的数学助教 Bartosz Naskręcki 给出了一个极端案例：他在 Codex 里用 一条自然语言 Prompt 花了 11 分钟 就搭出了一个代数几何应用，可视化了二次曲面的交集，并把生成的曲线自动转换成了 Weierstrass 模型。

这种"专家级工具 + 自然语言接口"的组合，正在让科研领域的工程负担急剧下降。过去一个博士生做同样的可视化，可能需要几周时间学 Mathematica、Sage 或者 Manim，然后反复调试。现在只要把想法描述清楚，剩下的交给模型。

七、价格策略：Token 更贵，但任务可能更省钱

好，现在聊钱。

7.1 官方定价详细对比

纯看每百万 Token 价格，GPT-5.5 是 GPT-5.4 的两倍；GPT-5.5 Pro 更是夸张地翻到六倍。和同梯队的 Opus 4.7 相比，输入价格持平，输出贵了大约 20%。

另外还有两个细节：

• Batch 和 Flex 模式：按标准 API 费率的一半定价。适合大规模离线处理场景。
• Priority 模式：按 2.5 倍标准费率定价。适合对延迟极度敏感的生产场景。

7.2 为什么 OpenAI 敢这么涨价？

官方给出的解释简化后只有一句话：Token 效率的提升能覆盖单价涨幅。

举一个具体的例子：如果一个团队每月在 GPT-5.4 上的 API 消耗是 10 万美元，切换到 GPT-5.5 后单位 Token 涨价 100%，但典型 Codex 任务的 Token 消耗下降约 30%，那么实际月度账单会变成：

[

10 \text{万} \times 2 \times (1 - 30%) = 14 \text{万美元}

]

也就是说，账单虽然涨了 40%，但同样的预算下能完成的任务数量，大概率会因为"一次过成功率"的提升而超过 GPT-5.4 时代的产出。

这是一道需要每个团队自己算的账：如果你的任务里"一次性完成的复杂任务"占比高，GPT-5.5 可能反而更省；如果你的任务是"大量重复、简单的高并发请求"，GPT-5.4 的性价比还会维持一段时间。

7.3 普通用户的价格门槛

API 定价跟 C 端用户没有直接关系。对于普通 ChatGPT 用户：

• Plus 用户（约 20 美元 / 月）：可以使用 GPT-5.5 标准版，但有每日使用上限。
• Pro 用户（约 200 美元 / 月）：可以使用 GPT-5.5 Pro，几乎无限额度。
• Business / Enterprise 用户：根据订阅等级，可以分别使用标准版或 Pro 版。

国内用户访问上，目前主要通过 OpenAI 官方渠道（需要科学合规的网络环境）。想在国内直接使用的话，也可以关注各大云厂商（Azure OpenAI Service、AWS Bedrock 等）的落地时间表，通常在官方发布后 4 到 8 周内会完成同步。

莫潇羽@无忆研习社 在这里补一句：任何涉及跨境网络访问的问题，都建议遵守当地法律法规。国内用户如果希望体验类似能力，国产大模型近期同样有不少新进展，选择并不少。

7.4 成本优化的四个实战技巧

关于"如何用 GPT-5.5 把单位成本压到最低"，我结合多位开发者的实战经验整理了四个可以立刻落地的技巧。

• 分层路由。把任务按难度分成三层：简单（短对话、格式转换、摘要）走 GPT-5.4 mini 或其他低价模型；中等（代码补全、日常问答、文案）走 GPT-5.4；复杂（长任务、多步规划、科研分析）才走 GPT-5.5。这种分层路由能让整体成本下降 40%–60%。
• Prompt 缓存。OpenAI 的 Prompt 缓存机制在 GPT-5.5 上依然有效。对于重复出现的系统提示、长指令模板、知识库片段，命中缓存后的输入价格只有非缓存的 10% 左右。
• Batch 模式。对于可以容忍几小时延迟的任务（离线数据处理、批量文档生成、定期报告），使用 Batch API 可以把价格打到标准价的一半。
• 推理深度精细控制。不是每个任务都需要 xhigh 推理。对于明确的指令式任务，reasoning.effort 设置为 low 或 medium，在相同成本下响应速度会显著加快。只把 high 和 xhigh 留给真正需要深度思考的任务。

这里有一个来自无忆研习社实测的经验数据供参考：一个包含 1000 个"代码片段总结"的任务，用 GPT-5.5 xhigh 需要约 120 分钟完成，总成本约 18 美元；切换成 reasoning.effort = low + Batch API 模式后，时间变成 90 分钟，成本降到约 4 美元，质量差异在这个场景里几乎可以忽略。

八、GPT-5.5 vs Claude Opus 4.7：一份实战导向的对比表

很多读者最关心的还是：我到底应该选哪个？ 我把两个模型在不同维度的真实表现整理成下面这张表，可以直接当选型参考。