Насколько силён GPT-5.5: что показывают открытые бенчмарки

Что показывают основные бенчмарки

Эта таблица хорошо показывает профиль модели: GPT-5.5 силён там, где нужно вести длинную рабочую цепочку, писать код, рассуждать, анализировать и оформлять результат. Но для отдельных типов задач конкуренты остаются очень серьёзными.

Где GPT-5.5 выглядит особенно убедительно

Код, терминал и отладка

Самая очевидная зона силы — разработка. OpenAI прямо называет написание и отладку кода среди сильных сторон GPT-5.5, а результат 82,7 в Terminal-Bench 2.0 подтверждает высокий уровень в командных и терминальных рабочих процессах.

При этом не стоит автоматически считать GPT-5.5 лучшим вариантом для любого программирования. Если задача ближе к исправлению issue в существующем репозитории, SWE-Bench Pro важнее Terminal-Bench: там GPT-5.5 набирает 58,6, а Claude Opus 4.7 — 64,3.

Исследования, данные и многошаговые задачи

OpenAI подчёркивает, что GPT-5.5 подходит для онлайн-исследований, анализа данных и задач, где нужно планировать, использовать инструменты, проверять работу и продолжать движение при неясной постановке. Это важно для реальных рабочих запросов: они редко выглядят как аккуратная олимпиадная задача, чаще это набор файлов, ссылок, ограничений и пожеланий.

Но если главная часть работы — именно поиск и браузинг, стоит сравнить несколько моделей. В BrowseComp GPT-5.5 показывает 84,4, тогда как Gemini 3.1 Pro получает 85,9, а Mythos Preview — 86,9.

Документы, таблицы и офисная работа

Для офисных задач GPT-5.5 выглядит одним из самых сильных вариантов. OpenAI относит к его сильным сторонам создание документов и таблиц, а The New York Times сообщала, что компания описывала новую технологию как более сильную в написании кода и задачах, связанных с офисной работой.

В OfficeQA Pro GPT-5.5 набирает 54,1 против 43,6 у Claude Opus 4.7 и 18,1 у Gemini 3.1 Pro. Если сценарий связан с отчётами, таблицами, инструкциями, презентационными заготовками или обработкой деловой информации, GPT-5.5 стоит проверять в числе первых.

Математика и техническое рассуждение

В FrontierMath GPT-5.5 показывает 51,7 на Tier 1–3 и 35,4 на Tier 4, опережая Claude Opus 4.7 и Gemini 3.1 Pro в той же сравнительной таблице. Это делает модель сильным кандидатом для задач, где нужны многошаговые вычисления, технический анализ и аккуратная логика.

Что изменилось по сравнению с GPT-5.4

GPT-5.4 уже описывался OpenAI как фронтирная модель, объединяющая достижения в рассуждении, кодинге и агентных рабочих процессах, а также улучшающая работу с инструментами, программными средами и профессиональными задачами в таблицах, презентациях и документах.

GPT-5.5 развивает именно эту линию: меньше ручного управления каждым шагом, больше самостоятельного планирования и выполнения. OpenAI заявляет, что GPT-5.5 быстрее понимает, что пытается сделать пользователь, и может брать на себя больше работы. Компания также отмечает, что GPT-5.5 заметно улучшился по сравнению с GPT-5.4 на GeneBench — оценке, сфокусированной на многоэтапных научных задачах.

Сильнее ли GPT-5.5, чем Claude и Gemini

Ответ зависит от сценария. В Terminal-Bench 2.0, FrontierMath, OfficeQA Pro и GDPval GPT-5.5 в открытых сравнениях оказывается выше Claude Opus 4.7 и Gemini 3.1 Pro.

Но в SWE-Bench Pro Claude Opus 4.7 опережает GPT-5.5, а в BrowseComp GPT-5.5 уступает Gemini 3.1 Pro и Mythos Preview. Поэтому формула простая: для терминальных workflows, офисной работы, математики и knowledge work GPT-5.5 выглядит очень сильным первым кандидатом; для GitHub issue и браузерно-поисковых задач лучше проводить прямое сравнение с Claude, Gemini и Mythos Preview.

Как выбирать модель для работы

Не стоит принимать решение только по общей репутации модели. Бенчмарки полезны, но в реальной работе важнее, насколько стабильно модель справляется с вашими файлами, инструментами, стилем запросов и требованиями к проверке результата.

Практичный подход такой:

• Для задач в существующей кодовой базе и решения issue сравнивайте GPT-5.5 с Claude Opus 4.7, потому что в SWE-Bench Pro у Claude выше результат.
• Для командной строки, автоматизации и технических workflows GPT-5.5 — сильный кандидат благодаря 82,7 в Terminal-Bench 2.0.
• Для онлайн-исследований и браузерных задач добавьте в сравнение Gemini 3.1 Pro и Mythos Preview, которые опережают GPT-5.5 в BrowseComp.
• Для документов, таблиц и офисных процессов GPT-5.5 стоит тестировать особенно внимательно: эти сценарии входят в заявленные сильные стороны модели, а OfficeQA Pro показывает её преимущество над Claude Opus 4.7 и Gemini 3.1 Pro.

Итог

GPT-5.5 — действительно очень сильная модель. По открытым бенчмаркам она входит в верхний слой фронтирных систем и особенно хорошо выглядит в терминальных задачах, математике, офисных сценариях и knowledge work.

Но называть её безусловно лучшей во всём было бы слишком смело. В SWE-Bench Pro и BrowseComp есть конкуренты с более высокими результатами, а в OSWorld-Verified Mythos Preview также немного впереди.

Самая взвешенная оценка: GPT-5.5 — один из лучших универсальных вариантов для сложной работы, но оптимальный выбор всё равно зависит от конкретного процесса. Если модель нужна для бизнеса, разработки или аналитики, её стоит проверять не на абстрактных вопросах, а на реальных задачах, с которыми команда сталкивается каждый день.