GPT-5.5 “Spud”: rumor ramai, bukti resmi belum ada

Rumor tentang GPT-5.5 “Spud” mencampur dua klaim yang berbeda: pertama, bahwa OpenAI sudah punya model publik bernama Spud; kedua, bahwa model itu sudah terbukti lebih andal menjaga instruksi dalam konteks panjang. Bukti yang ditinjau di sini mendukung kesimpulan yang lebih sempit: materi resmi OpenAI dalam kumpulan sumber ini mendokumentasikan GPT-5.4, sementara Spud terutama muncul di unggahan sosial, video, dan halaman nonresmi .

Bagi developer dan tim produk, perbedaannya penting. Nama sandi atau julukan model bukanlah benchmark. Jendela konteks yang lebih besar juga tidak otomatis membuktikan bahwa model akan selalu mengingat instruksi, memilih tool yang benar, atau menjaga konsistensi pekerjaan panjang.

Putusan singkat

Klaim	Status	Yang didukung bukti
GPT-5.5 Spud adalah model OpenAI yang sudah didokumentasikan resmi	Belum terverifikasi	Panduan API, changelog, dan catatan rilis GPT OpenAI yang ditinjau mengarah ke Latest: GPT-5.4, bukan model publik GPT-5.5 Spud .
OpenAI sudah menerbitkan tanggal rilis, model card, halaman API, atau harga GPT-5.5 Spud	Tidak ditemukan di sumber resmi yang ditinjau	Halaman nonresmi membahas jadwal dan kemampuan, tetapi materi resmi OpenAI dalam kumpulan sumber ini mendokumentasikan GPT-5.4 .
OpenAI sudah memublikasikan benchmark retensi instruksi long-context untuk Spud	Belum terverifikasi	Tidak ada system card OpenAI atau benchmark long-context khusus Spud dalam materi resmi yang ditinjau .
OpenAI punya bukti terkait long-rollout untuk GPT-5.4 Thinking	Ya, tetapi hanya untuk GPT-5.4 Thinking	OpenAI menyatakan GPT-5.4 Thinking jauh lebih baik daripada model sebelumnya pada long-rollout traces yang menantang, dan menjelaskan CoT-Control sebagai suite evaluasi dengan lebih dari 13.000 tugas .

Mengapa jejak rumor Spud belum membuktikan rilis

Spud memang terlihat sebagai rumor yang beredar. Nama itu muncul di unggahan Facebook, thread Reddit, unggahan X, video YouTube, dan artikel nonresmi yang membahas kemungkinan waktu peluncuran, pretraining, multimodalitas, serta klaim kemampuan . Sumber-sumber itu membuktikan bahwa orang sedang membicarakan Spud. Namun, itu belum membuktikan bahwa OpenAI sudah merilis model tersebut.

Untuk klaim ketersediaan model, bukti yang lebih kuat biasanya berupa halaman API OpenAI, entri changelog, catatan rilis, pengumuman resmi, system card, atau artefak benchmark. Jenis materi primer seperti itulah yang dalam peninjauan ini justru mengidentifikasi dan menjelaskan GPT-5.4 .

Ketiadaan dokumentasi publik tidak membuktikan bahwa tidak ada nama sandi internal. Artinya lebih sederhana: klaim publik tentang tanggal rilis, ketersediaan API, harga, memori, atau reliabilitas long-context Spud masih belum terverifikasi dalam kumpulan sumber ini.

Yang benar-benar didukung bukti resmi OpenAI

Bukti model terkuat di sini adalah materi publik OpenAI tentang GPT-5.4. Panduan API berjudul Using GPT-5.4, sedangkan changelog API dan catatan rilis GPT OpenAI mengarahkan pembaca ke Latest: GPT-5.4 .

Pengumuman GPT-5.4 dari OpenAI menyebut model itu memasukkan kemampuan coding GPT-5.3-Codex dan meningkatkan pekerjaan lintas tool, lingkungan software, spreadsheet, presentasi, serta dokumen . Pengumuman yang sama melaporkan GPT-5.4 mencapai 83,0% pada perbandingan GDPval, dibandingkan 70,9% untuk GPT-5.2, dalam benchmark yang dijelaskan sebagai pengujian kemampuan agen menghasilkan pekerjaan pengetahuan yang terspesifikasi dengan baik di 44 pekerjaan .

Bukti resmi yang paling dekat dengan pertanyaan reliabilitas workflow panjang adalah untuk GPT-5.4 Thinking, bukan Spud. System card GPT-5.4 Thinking menyatakan model itu jauh lebih baik daripada model sebelumnya pada long-rollout traces yang menantang, termasuk melacak dan membatalkan operasi sambil menjaga pekerjaan pengguna tetap utuh; halaman tersebut juga menjelaskan CoT-Control sebagai suite evaluasi dengan lebih dari 13.000 tugas . Itu adalah klaim untuk GPT-5.4 Thinking, bukan bukti bahwa GPT-5.5 Spud sudah rilis atau lulus pengujian sebanding.

Reliabilitas long-context bukan sekadar jendela konteks besar

Dalam praktik, long-context berarti model harus bekerja dengan input yang panjang, percakapan yang berlapis, atau proyek multi-langkah. Reliabilitasnya bukan hanya soal “muat berapa token”. Model mungkin harus mempertahankan batasan yang muncul berjauhan, menjaga status antar-giliran atau antar-sesi, memilih tool yang tepat, memperbaiki pekerjaan lama dengan aman, dan menjaga artefak multi-file atau multi-dokumen tetap konsisten.

Riset terbaru masih memperlakukan hal ini sebagai masalah evaluasi yang aktif. Berbagai survei membahas teknik memperpanjang konteks, long-context modeling, perubahan arsitektur, pendekatan workflow, dan context engineering; bukan menyatakan bahwa kemampuan mengikuti instruksi dalam konteks panjang sudah tuntas . Makalah evaluasi sistematis juga membenchmark teknik optimisasi untuk long-context language models, termasuk kasus ketika model harus memproses dan mempertahankan informasi dalam jumlah besar .

Retensi instruksi kini makin sering diukur langsung. LongAlign memperkenalkan LongBench-Chat untuk mengevaluasi instruction-following dalam konteks panjang . LifBench memperkenalkan Long-context Instruction Following Benchmark yang berfokus pada performa dan stabilitas mengikuti instruksi dalam skenario long-context . LocoBench menargetkan workflow software engineering yang kompleks dan mencakup Multi-Session Memory Retention serta workflow pengembangan multi-sesi .

Cara menguji reliabilitas workflow panjang

Panduan evaluasi OpenAI merekomendasikan evaluasi yang berorientasi produksi dan secara khusus menyoroti pemilihan tool; OpenAI memperingatkan bahwa ketika makin banyak tool dan tugas ditambahkan ke arsitektur agen tunggal, model bisa kesulitan mengikuti instruksi atau memilih tool yang benar . OpenAI juga menerbitkan panduan developer untuk long-horizon tasks dengan Codex, yang menunjukkan bahwa pekerjaan panjang dan multi-langkah adalah skenario produk nyata, tetapi itu bukan benchmark untuk Spud .

Suite evaluasi praktis setidaknya perlu menguji enam perilaku:

1. Instruksi tetap hidup meski berjauhan. Letakkan syarat penting di awal, tengah, dan akhir konteks panjang, lalu nilai apakah output akhir mematuhi semuanya. LongAlign dan LifBench relevan karena berfokus pada instruction-following dalam konteks panjang .
2. Retensi status multi-sesi. Simulasikan beberapa sesi kerja berisi keputusan, batasan, dan pembatalan, lalu cek apakah model melanjutkan dari status yang benar. Kerangka Multi-Session Memory Retention di LocoBench langsung relevan .
3. Pemilihan tool saat beban meningkat. Berikan beberapa tool yang tampak masuk akal dan verifikasi apakah model memilih tool yang benar dengan input yang benar. OpenAI menyebut tool selection sebagai target evaluasi dan mencatat bahwa kompleksitas bisa membuat instruction-following serta pilihan tool menjadi lebih sulit .
4. Rollback dan perbaikan. Minta model membatalkan sebagian tugas panjang tanpa merusak pekerjaan pengguna yang tidak terkait. Ini dekat dengan perilaku long-rollout yang dilaporkan OpenAI untuk GPT-5.4 Thinking .
5. Koherensi artefak lintas file dan dokumen. Untuk kode, spreadsheet, presentasi, dan dokumen, cek apakah model menjaga batasan di seluruh artefak, bukan hanya mengoptimalkan giliran percakapan terbaru. Posisi resmi GPT-5.4 mencakup tool, lingkungan software, spreadsheet, presentasi, dan dokumen, sedangkan LocoBench berfokus pada workflow software engineering yang kompleks .
6. Kontrol prompt dan output. Gunakan contoh dan tetapkan format, panjang, serta gaya yang diinginkan sebelum jawaban akhir. Panduan reliabilitas OpenAI membahas teknik di level prompt, tetapi teknik seperti itu sebaiknya melengkapi—bukan menggantikan—evaluasi di level workflow .

Apa yang bisa mengubah putusan ini

Putusan sebaiknya berubah hanya jika ada bukti primer yang lebih kuat: halaman API atau halaman model OpenAI yang menamai GPT-5.5 atau Spud, entri changelog atau catatan rilis, pengumuman OpenAI, model card atau system card, atau hasil evaluasi long-context yang dapat direproduksi dan mencakup instruction-following, memori multi-sesi, pemilihan tool, rollback, serta koherensi artefak .

Sampai saat itu, klaim paling aman tetap terbatas: GPT-5.5 Spud belum terverifikasi secara publik dalam materi resmi OpenAI yang ditinjau di sini, dan reliabilitas long-context-nya belum dibuktikan oleh bukti yang tersedia. Uji model yang benar-benar tersedia, dan perlakukan julukan model nonresmi sebagai rumor sampai OpenAI menerbitkan dokumentasi.