Benchmark GPT-5.5: arti skor 84,9% di GDPval

Mengapa 84,9%, 73,1%, dan 80,5% tidak bisa dijejerkan begitu saja

Di atas kertas, 84,9%, 73,1%, dan 80,5% tampak seperti nilai dari satu daftar ujian yang sama. Kenyataannya tidak begitu.

• 84,9% di GDPval merujuk pada pekerjaan pengetahuan yang dirumuskan jelas di banyak profesi.
• 73,1% di Expert-SWE merujuk pada tugas coding dalam evaluasi internal yang dilaporkan untuk pekerjaan dengan estimasi penyelesaian 20 jam.
• 80,5% di BixBench merujuk pada tugas bioinformatika dunia nyata.

Jadi, pertanyaan yang lebih berguna bukan “angka mana yang paling tinggi?”, melainkan “benchmark mana yang paling dekat dengan kebutuhan saya?” Untuk pekerjaan pengetahuan umum, GDPval lebih relevan. Untuk pengembangan perangkat lunak, Expert-SWE lebih dekat. Untuk bioinformatika, BixBench lebih sesuai secara tema.

Apa arti posisi GPT-5.5 di Artificial Analysis

Artificial Analysis melaporkan bahwa GPT-5.5 memimpin Intelligence Index mereka dengan selisih 3 poin. Dalam tulisan yang sama, Artificial Analysis juga menyebut OpenAI memimpin lima evaluasi utama mereka dan berada di posisi kedua, di belakang Gemini 3.1 Pro Preview, pada tiga evaluasi lain.

Nuansanya penting: peringkat pertama di sebuah indeks eksternal tidak otomatis berarti menang di semua tes. Artinya, menurut metodologi Artificial Analysis, GPT-5.5 berada di posisi teratas secara keseluruhan dalam indeks tersebut.

Hati-hati dengan angka headline yang berdiri sendiri

Beberapa laporan lain menyebut angka seperti 91,7% untuk kemampuan legal AI atau 82,7% dalam konteks agentic coding. Angka semacam ini bisa saja penting untuk bidang tertentu. Namun untuk jawaban benchmark yang bersifat umum, angka-angka itu kurang ideal jika rancangan uji, kelompok pembanding, dan tujuan pengukurannya tidak dijelaskan sejelas GDPval dalam pengumuman OpenAI.

Angka mana yang sebaiknya dikutip?

Untuk kebanyakan konteks umum, gunakan ini:

GPT-5.5 mencapai 84,9% di GDPval menurut OpenAI; GDPval menguji kemampuan agen AI menghasilkan pekerjaan pengetahuan yang terdefinisi jelas di 44 profesi.

Jika konteksnya lebih spesifik, pilih benchmark sesuai kebutuhan:

• Pekerjaan pengetahuan umum: 84,9% di GDPval.
• Pengembangan perangkat lunak: 73,1% di Expert-SWE.
• Bioinformatika: 80,5% di BixBench, dengan catatan sumber yang tersedia lebih terbatas dibanding klaim GDPval dari OpenAI.
• Perbandingan model secara luas: peringkat pertama di Artificial Analysis Intelligence Index dengan keunggulan 3 poin.

Kesimpulan

Benchmark singkat terbaik untuk GPT-5.5 adalah 84,9% di GDPval. Angka ini langsung disebut oleh OpenAI dan punya ruang lingkup yang jelas: pekerjaan pengetahuan yang terdefinisi baik di 44 profesi.

Angka lain tetap bisa berguna, tetapi hanya jika disandingkan dengan konteksnya. Dengan begitu, benchmark tidak berubah menjadi klaim berlebihan—dan pembaca bisa menilai GPT-5.5 berdasarkan jenis tugas yang benar-benar ingin diukur.