GPT-5.5-Benchmark: Was 84,9 % auf GDPval wirklich bedeuten

Warum die Prozentwerte nicht direkt vergleichbar sind

84,9 %, 73,1 % und 80,5 % sehen aus wie Werte aus derselben Rangliste. Das sind sie nicht.

• 84,9 % auf GDPval bezieht sich auf spezifizierte Wissensarbeit über viele Berufe hinweg.^[1]
• 73,1 % auf Expert-SWE bezieht sich auf Coding-Aufgaben in einer internen Evaluation.^[8]
• 80,5 % auf BixBench bezieht sich auf Bioinformatik-Aufgaben.^[10]

Die bessere Frage lautet deshalb nicht: „Welcher Prozentwert ist am höchsten?“ Sondern: „Welcher Benchmark passt zum Einsatzfall?“ Für allgemeine Wissensarbeit ist GDPval der bessere Referenzpunkt; für Softwareentwicklung ist Expert-SWE näher am Problem; für Bioinformatik ist BixBench thematisch passender.^[1][8][10]

Was der Artificial-Analysis-Wert aussagt

Artificial Analysis berichtet, dass GPT-5.5 den eigenen Intelligence Index mit drei Punkten Vorsprung anführt.^[3] Gleichzeitig heißt es dort, OpenAI führe fünf der Headline-Evaluationen an und liege in drei weiteren hinter Gemini 3.1 Pro Preview.^[3]

Das ist eine wichtige Nuance: Platz 1 in einem externen Index bedeutet nicht, dass ein Modell jeden Einzeltest gewinnt. Es bedeutet, dass GPT-5.5 nach der Methodik dieses Drittanbieter-Index insgesamt vorn liegt.^[3]

Vorsicht bei isolierten Schlagzeilenwerten

Einige Berichte nennen weitere GPT-5.5-Zahlen, etwa 91,7 % im Zusammenhang mit Legal-AI-Fähigkeiten oder 82,7 % im Kontext von agentic coding.^[4][5] Solche Werte können für den jeweiligen Spezialfall interessant sein. Für eine allgemeine Benchmark-Antwort sind sie aber weniger geeignet, solange Testaufbau, Vergleichsgruppe und Messziel nicht genauso klar sind wie beim direkt von OpenAI genannten GDPval-Wert.^[1]

Welche Zahl sollte man zitieren?

Für die meisten allgemeinen Vergleiche ist diese Version am saubersten:

GPT-5.5 erzielt laut OpenAI 84,9 % auf GDPval; GDPval testet die Fähigkeit von Agenten, klar spezifizierte Wissensarbeit über 44 Berufe hinweg zu erstellen.^[1]

Wenn der Kontext enger ist, sollte der Benchmark entsprechend wechseln:

• Allgemeine Wissensarbeit: 84,9 % auf GDPval.^[1]
• Softwareentwicklung: 73,1 % auf Expert-SWE.^[8]
• Bioinformatik: 80,5 % auf BixBench, mit Hinweis auf die begrenztere Beleglage.^[10]
• Breiter Modellvergleich: Platz 1 im Artificial Analysis Intelligence Index mit drei Punkten Vorsprung.^[3]

Fazit

Der beste kurze Benchmark-Wert für GPT-5.5 ist 84,9 % auf GDPval.^[1] Er ist direkt bei OpenAI belegt und hat einen klar beschriebenen Messbereich: spezifizierte Wissensarbeit über 44 Berufe hinweg.^[1] Andere Zahlen können je nach Einsatzfall wichtiger sein, sollten aber immer zusammen mit ihrem jeweiligen Benchmark genannt werden.