studioglobal
الأكثر رواجًا في الاكتشاف
الإجاباتمنشور13 المصادر

GPT-5.5 مقابل Claude Opus 4.7: أي نموذج تختار حسب المهمة؟

لا يوجد فائز مطلق: GPT 5.5 يظهر بقوة في Terminal Bench 2.0 بنسبة 82.7% وFrontierMath Tier 4 بنسبة 35.4%، بينما يتقدم Claude Opus 4.7 في SWE Bench Pro بنسبة 64.3% وMCP Atlas بنحو 77.3–79.1% [21][27][28][32]. في البرمجة، SWE Bench Verified أقرب إلى التعادل، لكن SWE Bench Pro الأصعب يعطي Claude Opus 4.7 أفضلية أوضح لمه...

ابحث وتحقق من الحقائق مع Studio Global AIتصفّح المزيد من الاكتشاف
17K0
GPT-5.5 और Claude Opus 4.7 की benchmark तुलना दिखाता editorial AI visual
GPT-5.5 बनाम Claude Opus 4.7: Benchmarks में कौन आगे हैAI-generated editorial illustration for the GPT-5.5 vs Claude Opus 4.7 benchmark comparison.
موجّه الذكاء الاصطناعي

Create a landscape editorial hero image for this Studio Global article: GPT-5.5 बनाम Claude Opus 4.7: Benchmarks में कौन आगे है?. Article summary: कोई universal winner नहीं है: GPT 5.5 Terminal Bench 2.0 पर 82.7% और FrontierMath Tier 4 पर 35.4% दिखता है, जबकि Claude Opus 4.7 SWE Bench Pro पर 64.3% और MCP Atlas में 77.3–79.1% से आगे है; निर्णय workload पर निर्भर.... Topic tags: ai, llm, openai, anthropic, claude. Reference image context from search candidates: Reference image 1: visual subject "# OpenAI’s GPT-5.5 vs Claude Opus 4.7: Which is better? OpenAI released its latest model, GPT-5.5, on April 23, just a week after Anthropic introduced Claude Opus 4.7. **Spoiler al" source context "OpenAI's GPT-5.5 vs Claude Opus 4.7: Which is better? - Yahoo Tech" Reference image 2: visual subject "Compare their benchmark scores, pricing, and real-world performance before you commit. If you’re cho

openai.com

الخلاصة أولًا

الجواب المختصر: لا تتعامل مع GPT-5.5 وClaude Opus 4.7 كما لو أن أحدهما «يهزم» الآخر في كل شيء. قراءة LLM Stats تضع الفكرة بوضوح: أرقام البنشمارك تختار عبء العمل، لا فائزًا عامًا يصلح لكل استخدام [2].

في البيانات المتاحة، يبدو GPT-5.5 أقوى في مهام سطر الأوامر أو الطرفية، واختبارات FrontierMath، وأبحاث BrowseComp التي تشبه البحث عبر الويب. في المقابل، يبدو Claude Opus 4.7 أقوى في البرمجة الهندسية الأصعب، وفي تنسيق الأدوات وواجهات البرمجة عبر MCP أو ما يشبهه [21][27][28][32].

لقطة سريعة للأرقام

الاختبار / المجالGPT-5.5Claude Opus 4.7كيف نقرأ النتيجة؟
SWE-Bench Verified88.7%87.6%تعادل عملي تقريبًا؛ فرق 1.1 نقطة لا يكفي وحده لحسم الاختيار [1][18].
SWE-Bench Pro58.6%64.3%في مهام البرمجة الأصعب، أفضلية Claude أوضح [32].
Terminal-Bench 2.082.7%69.4% منشورة في بعض التقاريرGPT-5.5 يتقدم في تنفيذ مهام الطرفية، لكن رقم Opus العام غير موحّد في كل المصادر [1][18][27].
MCP Atlas75.3%77.3–79.1%Claude يتقدم في استدعاء الأدوات وتنسيقها [21][27][32].
FrontierMath Tier 1–351.7%43.8%GPT-5.5 أقوى في الاستدلال الرياضي الثقيل [28].
FrontierMath Tier 435.4%22.9%أفضلية GPT-5.5 تستمر حتى في الطبقة الرياضية الأصعب [28].
GPQA Diamond93.6%94.2%شبه تعادل، مع تقدم طفيف لـ Claude [28].
Humanity's Last Exam، بلا أدوات41.4%46.9%Claude يتقدم في هذا النوع من الاختبارات العامة [28].
Humanity's Last Exam، مع أدوات52.2%54.7%Claude يحتفظ بتقدم صغير في وضع استخدام الأدوات [28].
BrowseComp84.4%79.3%GPT-5.5 يتقدم في نمط البحث المتصفّح [5][27].

هناك صفّان يحتاجان إلى قراءة أكثر حذرًا. في Terminal-Bench 2.0، تعطي LLM Stats وتقارير أخرى Claude Opus 4.7 نتيجة 69.4%، بينما تعرض إحدى المقارنات نتيجة GPT-5.5 البالغة 82.7% من دون رقم عام لـ Opus [1][18][27]. وفي MCP Atlas، تعرض لقطة BenchLM العامة Claude Opus 4.7 عند 77.3% وGPT-5.5 عند 75.3%، بينما تنقل تقارير أخرى نتيجة 79.1% لـ Claude مقابل 75.3% لـ GPT-5.5 [21][27][32]. الاتجاه العام، مع ذلك، ثابت: GPT-5.5 أقوى في العمل الشبيه بالطرفية، وClaude Opus 4.7 أقوى في تنسيق الأدوات.

البرمجة: لا تكتفِ بتعادل SWE-Bench Verified

SWE-Bench يختبر قدرة النموذج على حل مشكلات GitHub حقيقية، أما نسخة Pro فهي أصعب وأكثر تعقيدًا [17]. على SWE-Bench Verified، يسجل GPT-5.5 نتيجة 88.7% مقابل 87.6% لـ Claude Opus 4.7، وهي عمليًا نتيجة متقاربة جدًا [1][18].

لكن الإشارة الأهم للفرق في البرمجة تأتي من SWE-Bench Pro. هنا يتقدم Claude Opus 4.7 بنسبة 64.3% مقابل 58.6% لـ GPT-5.5، أي بفارق 5.7 نقطة [32]. والفارق ليس رقميًا فقط؛ فحسب عرض مقارن، مجموعة Verified تضم 500 مهمة و12 مستودعًا بلغة Python، بينما تضم Pro عدد 1,865 مهمة و41 مستودعًا بلغات تشمل Python وGo وTypeScript وJavaScript، كما يرتفع متوسط عدد الملفات المعدّلة من نحو ملف واحد في Verified إلى 4.1 ملفات في Pro [22].

المعنى العملي: إذا كان عملك يدور حول إصلاح أخطاء متعددة الملفات، أو ترميم pull requests، أو refactoring داخل مستودعات كبيرة، أو بناء وكلاء برمجة يعملون في بيئة إنتاجية، فابدأ باختبار Claude Opus 4.7. مقارنة MindStudio للبرمجة تشير أيضًا إلى أن Opus 4.7 أقوى في المهام التي تتطلب تفكيرًا معماريًا واسعًا عبر قواعد كود كبيرة [3].

الوكلاء والأدوات: GPT-5.5 للطرفية، وClaude للتنسيق

إذا كان سير العمل عندك يشبه استخدام shell أو CLI — تنفيذ أوامر، قراءة مخرجات، إصلاح خطأ ثم إعادة المحاولة — فحجة GPT-5.5 قوية. في Terminal-Bench 2.0، نُشرت نتيجة 82.7% لـ GPT-5.5 مقابل 69.4% لـ Claude Opus 4.7 [18][27]. لكن لأن بعض المقارنات العامة لا تعرض رقم Opus، من الأفضل قراءة هذه النتيجة كإشارة اتجاهية لا كحقيقة نهائية للترتيب [1].

أما إذا كان الوكيل يحتاج إلى استدعاء أدوات كثيرة بالتتابع، فالصورة تميل إلى Claude. MCP Atlas هو اختبار لقياس استدعاء الأدوات عبر تكاملات Model Context Protocol وأدوات خارجية [21]. لقطة BenchLM العامة تضع Claude Opus 4.7 عند 77.3% مقابل 75.3% لـ GPT-5.5 [21]. وتعرض تقارير أخرى المقارنة نفسها بصيغة 79.1% مقابل 75.3% [27][32]. لذلك، إذا كان الوكيل لديك يتعامل مع APIs وخدمات وتكاملات متعددة، فـ Claude Opus 4.7 هو نقطة بداية أقوى للاختبار.

الاستدلال والبحث: الرياضيات شيء، والامتحانات العامة شيء آخر

من الخطأ وضع كل اختبارات «التفكير» في سلة واحدة. في جدول GPT-5.5 من OpenAI، يسجل GPT-5.5 على FrontierMath Tier 1–3 نتيجة 51.7% مقابل 43.8% لـ Claude Opus 4.7، وعلى FrontierMath Tier 4 يسجل 35.4% مقابل 22.9% [28]. في الاستدلال الرياضي الثقيل، أفضلية GPT-5.5 واضحة.

لكن GPQA Diamond وHumanity's Last Exam يعطيان إشارة مختلفة. في GPQA Diamond، النموذجان شبه متعادلين: GPT-5.5 عند 93.6% وClaude Opus 4.7 عند 94.2% [28]. وفي Humanity's Last Exam، يتقدم Claude: 46.9% مقابل 41.4% في وضع بلا أدوات، و54.7% مقابل 52.2% في وضع استخدام الأدوات [28].

في البحث الشبيه بالتصفح عبر الويب، يميل الميزان إلى GPT-5.5. نتيجة BrowseComp المنشورة هي 84.4% لـ GPT-5.5 مقابل 79.3% لـ Claude Opus 4.7 [5][27]. لذلك، إذا كان الاستخدام الأساسي هو أتمتة بحث يتطلب تصفحًا وتجميع معلومات، فاختبار GPT-5.5 أولًا منطقي.

أيهما تختار؟

اختر GPT-5.5 إذا كان عملك يشمل:

  • تنفيذ أوامر عبر الطرفية، أو أتمتة shell، أو وكلاء CLI، أو مهام حاسوبية خطوة بخطوة؛ مقارنات Terminal-Bench 2.0 تضع GPT-5.5 في المقدمة [18][27].
  • استدلالًا رياضيًا كثيفًا؛ GPT-5.5 يتقدم في FrontierMath Tier 1–3 وTier 4 معًا [28].
  • بحثًا عبر الويب أو تحليلًا شبيهًا بـ BrowseComp؛ نُشرت نتيجة 84.4% لـ GPT-5.5 مقابل 79.3% لـ Claude Opus 4.7 [5][27].

اختر Claude Opus 4.7 إذا كان عملك يشمل:

  • تغييرات معقدة في قواعد كود كبيرة، أو إصلاح أخطاء متعددة الملفات، أو مهام هندسية قريبة من SWE-Bench Pro؛ Claude يتقدم هنا بنسبة 64.3% مقابل 58.6% لـ GPT-5.5 [32].
  • وكلاء يعتمدون على MCP أو APIs أو تنسيق أدوات متعددة؛ لقطات MCP Atlas تضع Claude Opus 4.7 أمام GPT-5.5 [21][27][32].
  • قرارات معمارية داخل مستودعات كبيرة؛ مقارنة MindStudio تصف Opus 4.7 بأنه أقوى في التفكير المعماري الواسع عبر قواعد كود ضخمة [3].

كيف تقرأ البنشماركات دون أن تنخدع؟

الأرقام المنشورة ليست ضمانًا مباشرًا لما سيحدث في بيئتك الإنتاجية. Anthropic تذكر في ملاحظات Claude Opus 4.7 تغييرات في harness، واستخدامات داخلية لبعض الاختبارات، وتحديثات في المنهجية، وتشير إلى أن بعض النتائج ليست قابلة للمقارنة المباشرة مع لوحات الترتيب العامة [19]. وعلى جانب GPT-5.5، تلفت خلاصة موجهة للمطورين إلى أن بعض نتائج البنشمارك منشورة من OpenAI وأن تكرارها من أطراف ثالثة ما زال محدودًا [31].

الأفضل هو تشغيل تقييم داخلي صغير: خذ تذاكر حديثة من فريقك، ومستودعات فعلية، وسلاسل أدواتك، وprompts المستخدمة، ومعايير نجاح وفشل واضحة. لوحة الترتيب تعطي اتجاهًا، لكن اختيار النموذج يجب أن يتبع عبء العمل، وتحملك للزمن، وطريقة ربط الأدوات، وكلفة الخطأ إذا فشل الوكيل.

الحكم النهائي

إذا كنت تريد نقطة بداية لأتمتة عامة قريبة من الطرفية، أو استدلال رياضي، أو بحث متصفّح على نمط BrowseComp، فـ GPT-5.5 يبدو الخيار الأول للاختبار [27][28]. أما إذا كانت النتيجة المطلوبة هي برمجة صعبة، أو وكلاء برمجة إنتاجية، أو تنسيق أدوات متعددة، فـ Claude Opus 4.7 هو المرشح الأقوى [21][32].

الخلاصة الآمنة: GPT-5.5 أقوى في التنفيذ العام والرياضيات والبحث المتصفّح؛ وClaude Opus 4.7 يتقدم في هندسة البرمجيات الصعبة ووكلاء الأدوات.

Studio Global AI

Search, cite, and publish your own answer

Use this topic as a starting point for a fresh source-backed answer, then compare citations before you share it.

ابحث وتحقق من الحقائق مع Studio Global AI

الوجبات السريعة الرئيسية

  • لا يوجد فائز مطلق: GPT 5.5 يظهر بقوة في Terminal Bench 2.0 بنسبة 82.7% وFrontierMath Tier 4 بنسبة 35.4%، بينما يتقدم Claude Opus 4.7 في SWE Bench Pro بنسبة 64.3% وMCP Atlas بنحو 77.3–79.1% [21][27][28][32].
  • في البرمجة، SWE Bench Verified أقرب إلى التعادل، لكن SWE Bench Pro الأصعب يعطي Claude Opus 4.7 أفضلية أوضح لمهام إصلاح الأكواد متعددة الملفات ووكلاء البرمجة الإنتاجية [1][18][32].
  • لا تجعل البنشمارك وحده قرار الإنتاج: بعض الأرقام تعتمد على harness مختلف أو تقارير رسمية لم تُكرر بالكامل بعد، لذلك اختبر النموذجين على مستودعاتك وأدواتك وprompts الخاصة بك [19][31].

يسأل الناس أيضا

ما هي الإجابة المختصرة على "GPT-5.5 مقابل Claude Opus 4.7: أي نموذج تختار حسب المهمة؟"؟

لا يوجد فائز مطلق: GPT 5.5 يظهر بقوة في Terminal Bench 2.0 بنسبة 82.7% وFrontierMath Tier 4 بنسبة 35.4%، بينما يتقدم Claude Opus 4.7 في SWE Bench Pro بنسبة 64.3% وMCP Atlas بنحو 77.3–79.1% [21][27][28][32].

ما هي النقاط الأساسية التي يجب التحقق منها أولاً؟

لا يوجد فائز مطلق: GPT 5.5 يظهر بقوة في Terminal Bench 2.0 بنسبة 82.7% وFrontierMath Tier 4 بنسبة 35.4%، بينما يتقدم Claude Opus 4.7 في SWE Bench Pro بنسبة 64.3% وMCP Atlas بنحو 77.3–79.1% [21][27][28][32]. في البرمجة، SWE Bench Verified أقرب إلى التعادل، لكن SWE Bench Pro الأصعب يعطي Claude Opus 4.7 أفضلية أوضح لمهام إصلاح الأكواد متعددة الملفات ووكلاء البرمجة الإنتاجية [1][18][32].

ماذا يجب أن أفعل بعد ذلك في الممارسة العملية؟

لا تجعل البنشمارك وحده قرار الإنتاج: بعض الأرقام تعتمد على harness مختلف أو تقارير رسمية لم تُكرر بالكامل بعد، لذلك اختبر النموذجين على مستودعاتك وأدواتك وprompts الخاصة بك [19][31].

ما هو الموضوع ذو الصلة الذي يجب أن أستكشفه بعد ذلك؟

تابع مع "Claude Security من Anthropic: شرح النسخة التجريبية لفحص ثغرات الشيفرة بالذكاء الاصطناعي" لزاوية أخرى واستشهادات إضافية.

فتح الصفحة ذات الصلة

ما الذي يجب أن أقارنه بهذا؟

تحقق من هذه الإجابة مقابل "Grok 4.3 API: مليون توكن وسعر منخفض… كيف تراهن xAI على النماذج والصوت؟".

فتح الصفحة ذات الصلة

مواصلة البحث الخاص بك

IT Consulting Orange County CA, IT Services, IT Outsourcing - Technijian. # Anthropic Claude Security for Enterprise: What You Need to Know. Anthropic has officially opened Claude

Claude Security من Anthropic: شرح النسخة التجريبية لفحص ثغرات الشيفرة بالذكاء الاصطناعي

Claude Security من Anthropic: كيف يفحص الذكاء الاصطناعي شيفرة الشركات؟

抽象 AI 介面顯示 Grok 4.3 API、1M context、token 價格與語音波形

Grok 4.3 API: مليون توكن وسعر منخفض… كيف تراهن xAI على النماذج والصوت؟

قراءة في Grok 4.3 API: نافذة سياق ضخمة وتسعير يضغط على سوق الذكاء الاصطناعي

小米 Q5、MIX 5 与小米 18 系列传闻的概念手机图

شاومي Q5 على الأرجح ليس MIX 5: الأدلة الأحدث تميل إلى شاومي 18

هل Q5 هو MIX 5؟ أحدث التسريبات تغيّر قراءة هاتف شاومي الغامض

Metas KI-Altersprüfung: Neue Regeln für Jugendliche in EU, USA und Brasilien

فحص العمر بالذكاء الاصطناعي في ميتا: ما الذي سيتغيّر للمراهقين؟

قواعد ميتا الجديدة: ذكاء اصطناعي لرصد أعمار المستخدمين على إنستغرام وفيسبوك

محادثة بحثية

أنت

سؤال بحثي

बेंचमार्क रिपोर्ट के आधार पर GPT-5.5 और Claude Opus 4.7 की तुलना करें।

Studio Global AI36 المصادر

إجابة مستشهد بها

GPT-5.5 कुल मिलाकर reasoning, terminal/agent execution और कई academic benchmarks में आगे दिखता है, जबकि Claude Opus 4.7 कठिन software-engineering और multi-tool orchestration में मजबूत है। इसलिए “बेहतर” मॉडल use case पर निर्भर है: general reasoning/terminal tasks के लिए GPT-5.5, और complex coding/agentic tool workflows के लिए Opus 4.7 बेहतर विकल्प दिखता है।

  • Coding: मिश्रित नतीजा

    • SWE-Bench Verified में GPT-5.5 को मामूली बढ़त दी गई है: 88.7% बनाम Claude Opus 4.7 का 87.6% [7].
    • SWE-Bench Pro में Claude Opus 4.7 स्पष्ट रूप से आगे है: 64.3% बनाम GPT-5.5 का 58.6% [7][6].
    • Opus 4.7 के लिए रिपोर्टों में SWE-bench Pro पर Opus 4.6 से 53.4% से 64.3% तक सुधार बताया गया है, यानी कठिन real-world coding tasks में बड़ा लाभ [3][6].

  • Terminal / agent execution

    • Terminal-Bench 2.0 में GPT-5.5 को 82.7% और Opus 4.7 को 69.4% बताया गया है, इसलिए shell/terminal-style execution tasks में GPT-5.5 मजबूत दिखता है [12][7].
    • कुछ रिपोर्टों में GPT-5.5 के लिए Terminal-Bench 2.0 score 82.7% है, लेकिन Opus के public number को लेकर स्रोतों में असंगति है; इसलिए इस benchmark को थोड़ी सावधानी से पढ़ना चाहिए [7][12].

  • Tool use और orchestration

    • MCP Atlas जैसे tool-integration benchmark में Claude Opus 4.7 को 79.1% बनाम GPT-5.5 का 75.3% बताया गया है, इसलिए multi-tool/API orchestration में Opus 4.7 आगे दिखता है [10][2].
    • Vellum की रिपोर्ट भी Opus 4.7 को MCP-Atlas पर 77.3% के साथ production-agent workflows के लिए मजबूत बताती है [3].

  • Academic / reasoning

    • OpenAI की GPT-5.5 रिपोर्ट में FrontierMath Tier 1–3 पर GPT-5.5 को 51.7% और Claude Opus 4.7 को 43.8% बताया गया है [15][7].
    • उसी रिपोर्ट में FrontierMath Tier 4 पर GPT-5.5 को 35.4% और Claude Opus 4.7 को 22.9% बताया गया है [15][7].
    • GPQA Diamond में दोनों बहुत करीब हैं: GPT-5.5 93.6% और Claude Opus 4.7 94.2% [15][7].

  • निष्कर्ष

    • GPT-5.5 चुनें अगर आपको broad reasoning, math-heavy tasks, terminal automation, या general-purpose high-performance assistant चाहिए।
    • Claude Opus 4.7 चुनें अगर आपका मुख्य काम complex codebase changes, SWE-Bench Pro जैसे कठिन coding tasks, या multi-tool enterprise agents हैं।
    • स्वतंत्र, समान harness पर चले benchmarks कम उपलब्ध हैं; official lab numbers और third-party summaries को सीधे “अंतिम सत्य” न मानकर workload-specific testing से validate करना बेहतर होगा।

المصادر

  • [1] GPT-5.5 vs Claude Opus 4.7: 2026 Frontier Showdown (Benchmarks)tokenmix.ai

    Head-to-Head: The Numbers That Matter Benchmark GPT-5.5 Claude Opus 4.7 Winner --- --- SWE-Bench Verified 88.7% 87.6% GPT-5.5 by 1.1 SWE-Bench Pro 58.6% 64.3% Opus 4.7 by 5.7 MMLU 92.4% 91% GPT-5.5 Terminal-Bench 2.0 82.7% — GPT-5.5 (no public Opus number)...

  • [2] GPT-5.5 vs Claude Opus 4.7: Pricing, Speed, Benchmarks - LLM Statsllm-stats.com

    Within seven days, I had two new frontier models to compare against the workloads I run for LLM Stats:Claude Opus 4.7shipped on April 16, 2026, andGPT-5.5 on April 23. Both land at the same input price. Both ship 1M-token context. Both pitch significantly b...

  • [3] GPT-5.5 vs Claude Opus 4.7: Real-World Coding Performance ...mindstudio.ai

    SWE-Bench and Coding Tasks On SWE-Bench Verified — the standard benchmark for evaluating real GitHub issue resolution — both models score competitively at the top of the 2026 leaderboard. GPT-5.5 holds a slight edge on problems requiring precise tool use an...

  • [5] OpenAI's GPT-5.5 vs Claude Opus 4.7: Which is better? | Mashablemashable.com

    Thanks for signing up! SWE-Bench Pro: GPT-5.5 scored 58.6; Opus 4.7 scored 64.3 percent Terminal-Bench 2.0: GPT-5.5 scored 82.7 percent; Opus 4.7 scored 69.4 percent Humanity's Last Exam: GPT-5.5 scored 40.6 percent; Opus 4.7 scored 31.2 percent\ Humanity's...

  • [17] Claude Opus 4.7: Anthropic's New Best (Available) Modeldatacamp.com

    SWE-bench tests a model's ability to resolve real GitHub issues in open-source Python repositories. Pro is a harder variant with more complex issues. The 10.9-point gain over Opus 4.6 on SWE-bench Pro is the largest improvement in this release (percentage p...

  • [18] Claude Opus 4.7: Benchmarks, Pricing, Context & What's Newllm-stats.com

    Benchmarks Agentic coding Benchmark Opus 4.7 Opus 4.6 Delta --- --- SWE-bench Verified 87.6% 80.8% +6.8 SWE-bench Pro 64.3% 53.4% +10.9 Terminal-Bench 2.0 69.4% 65.4% +4.0 The jump on SWE-bench Pro (+10.9 points) is larger than on SWE-bench Verified, sugges...

  • [19] Introducing Claude Opus 4.7 - Anthropicanthropic.com

    CyberGym: Opus 4.6’s score has been updated from the originally reported 66.6 to 73.8, as we updated our harness parameters to better elicit cyber capability. SWE-bench Multimodal: We used an internal implementation for both Opus 4.7 and Opus 4.6. Scores ar...

  • [21] MCP Atlas Benchmark 2026: 13 model averages | BenchLM.aibenchlm.ai

    Core Rankings Specialized Use Cases Dashboards Directories Guides & Lists Tools MCP Atlas A benchmark for tool-calling over Model Context Protocol integrations and external tools. Benchmark score on MCP Atlas — April 23, 2026 BenchLM mirrors the published s...

  • [22] SWE-Bench Pro Leaderboard (2026): Why 46% Beats 81%morphllm.com

    Dimension SWE-Bench Verified SWE-Bench Pro --- Tasks 500 1,865 Repositories 12 (all Python) 41 (Python, Go, TS, JS) Avg lines changed 11 (median: 4) 107.4 Avg files changed 1 4.1 Top score (Mar 2026) 80.9% (Claude Opus 4.5) 59% (agent systems) Contamination...

  • [27] GPT-5.5: The Honest Take on OpenAI's Response to Opus ...alexlavaee.me

    Benchmark GPT-5.5 GPT-5.4 Opus 4.7 Gemini 3.1 Pro --- --- Terminal-Bench 2.0 82.7% 75.1% 69.4% 68.5% SWE-Bench Pro (public)\ 58.6% 57.7% 64.3% 54.2% Expert-SWE (OpenAI internal) 73.1% 68.5% — — OSWorld-Verified 78.7% 75.0% 78.0% — MCP Atlas (tool use) 75.3%...

  • [28] Introducing GPT-5.5 - OpenAIopenai.com

    Academic EvalGPT-5.5GPT‑5.4GPT-5.5 ProGPT‑5.4 ProClaudeOpus 4.7Gemini 3.1 Pro GeneBench 25.0%19.0%33.2%25.6%-- FrontierMath Tier 1–3 51.7%47.6%52.4%50.0%43.8%36.9% FrontierMath Tier 4 35.4%27.1%39.6%38.0%22.9%16.7% BixBench 80.5%74.0%---- GPQA Diamond 93.6%...

  • [31] What Is GPT-5.5 for Builders in 2026? | WaveSpeedAI Blogwavespeed.ai

    Item Status --- Release date: April 23, 2026 Confirmed — OpenAI official Live in ChatGPT (Plus/Pro/Business/Enterprise) Confirmed — OpenAI official Live in Codex (Plus/Pro/Business/Enterprise/Edu/Go) Confirmed — OpenAI official 400K context in Codex Confirm...

  • [32] Everything You Need to Know About GPT-5.5 - Vellumvellum.ai

    SWE-bench Pro: the coding crown stays with Anthropic Claude Opus 4.7 scores 64.3% versus GPT-5.5's 58.6% — a 5.7-point gap on real GitHub issue resolution. OpenAI's system card includes an asterisk noting "evidence of memorization" from other labs on this e...