GPT-5.5实测评价：Agentic 能力爆发，复杂任务工具调用减少，幻觉，太主动

GPT-5.5 发布
OpenAI 发布了GPT-5.5，看了一圈真实用户的实测，看他们到底用 GPT-5.5 干了什么，效果怎么样，有几个case 值得看看。

01 Simon Willison 的鹈鹕
使用 Codex GPT-5.5 API 生成一只骑自行车的鹈鹕 SVG。

一次就出来了，自行车的车架、链条、辐条结构全对，鹈鹕的特征也到位。

评价是："This is a fast, effective and highly capable model. I ask it to build things and it builds exactly what I ask for."

我让它造什么，它就造什么，不废话，不跑偏，直接交活。

首次输出质量就不错

02 Lovable 团队 工具调用少了23%
第二个case来自 Lovable，一个AI应用构建平台。

CTO 拿 GPT-5.5 做了一轮测试，任务是多文件代码重构、身份认证集成、数据库配置这种复杂活。

工具调用减少23.1%，输出 token 减少33%，复杂请求第一次就对的频率明显提高。

就像是有经验的人干活，稳、准、省。

以前用户经常被卡住，要不停迭代修改。

现在 GPT-5.5 可以让人保持心流状态，一口气把事情做完。

03 Terminal-Bench 82.7%
测试AI在真实命令行环境中完成工作流的基准

GPT-5.5拿了82.7%，对比一下 GPT-5.4：75.1% ，Claude Opus 4.7：69.4%

SWE-Bench Pro，测AI能不能解决GitHub上的真实issue的，GPT-5.5拿了58.6%。

OSWorld-Verified，测的是AI能不能像人一样操作电脑，打开软件、点按钮、填表格、切窗口。

GPT-5.5计算机操作成功率78.7%，学着像人一样用电脑。

04 Box公司 流程时间砍掉93%
这个case来自企业端 Box，做云存储和文档管理的大厂，把GPT-5.5接进了的文档工作流。

某些文档处理流程的时间减少了93%

具体场景包括合规文档处理、财务报告生成、跨表格数据推理等。

感觉AI像个掌握所有规则的智能同事，你给它一个目标，它自己规划步骤、调用工具、自我验证、输出结果。

OpenAI把这个叫Agentic能力。

05 幻觉
AA-Omniscience基准测试里，GPT-5.5的幻觉问题依然存在。

当它犯错的时候，它倾向于非常自信地犯错，它不说我不确定。

这是个老问题了，在GPT-5.5上没有完全解决。

它变强了，犯错的方式没变，还是那种一本正经胡说八道的风格。

用GPT-5.5做涉及事实判断的事，还是得自己验证。

它是个很强的执行者，但不是一个可以百分百信任的信息源。

06 太主动
有用户反馈，让GPT-5.5总结一下新闻来源，它二话不说自己去找了6个不同的来源。

你没让它找，它自己找了。

在很多场景下，你给它一个精确的指令，它觉得你的指令不够好，自作主张加了一堆你没要求的东西。

OpenAI的回应是，这是agentic模型的特性，不是bug。

行吧，那我换个说法，这个特性，有时候让人很烦。

07 定价
GPT-5.5的API定价是GPT-5.4的两倍，输入$5/百万token，输出$30/百万token。

GPT-5.5完成同样任务用的token少了大约40%，单任务的实际成本可能跟5.4差不多。

前提是你用它做复杂任务，如果你就是聊个简单问题，那确实是贵了。

08 适合谁
GPT-5.5的核心突破是它变聪明了一点+学会自己干活了。

以前的AI是工具，你得会用，你得给指令，你得盯着。

现在更像一个能力很强但偶尔犯浑的同事，你说一下目标，它自己规划执行。

幻觉还在，过度主动的毛病还在，价格翻倍了。

如果你是企业用户、开发者、研究者，GPT-5.5大概率值得一试。

如果你是普通用户，GPT-5.4还可以继续用起来。

要适合自己的才是最好的。

神龙摆尾
GPT-5.5核心是Agentic自主执行能力，能独立规划、调用工具、自我验证。

编码和计算机操作突破明显，定价翻倍，token效率提升40%，复杂任务实际成本持平。

幻觉和过度主动问题依然存在。

如果你也在用GPT-5.5，欢迎在评论区说说你的体感。
#人工智能[超话]##ChatGPT[超话]#