Бенчмарк GPT-5.5: что на самом деле означает 84,9% в GDPval

Иными словами, вопрос должен звучать не «где процент выше?», а «какой тест ближе к моей задаче?». Для офисной и аналитической работы показатель GDPval информативнее. Для программирования логичнее смотреть на Expert-SWE. Для биоинформатики — на BixBench.

Что показывает внешний индекс Artificial Analysis

Artificial Analysis сообщает, что GPT-5.5 возглавляет его Intelligence Index с преимуществом в 3 пункта. Там же уточняется, что OpenAI лидирует в пяти основных оценках, а еще в трех уступает Gemini 3.1 Pro Preview.

Это важная деталь: первое место в агрегированном внешнем индексе не означает победу во всех отдельных испытаниях. Оно означает, что по методике Artificial Analysis GPT-5.5 в сумме оказывается впереди.

Осторожнее с громкими одиночными цифрами

В публикациях встречаются и другие значения: например, 91,7% в контексте legal AI-возможностей или 82,7% в связи с agentic coding. Такие числа могут быть полезны, если вас интересует именно соответствующий сценарий.

Но для общего ответа они менее удобны: без столь же ясного описания теста, набора задач и группы сравнения их легко неправильно истолковать. В этом смысле 84,9% в GDPval остается более чистой и понятной короткой ссылкой, потому что OpenAI прямо указывает и сам результат, и назначение бенчмарка.

Какую цифру цитировать

Для большинства общих материалов и сравнений лучше использовать такую формулировку:

GPT-5.5, по данным OpenAI, показывает 84,9% в GDPval; этот бенчмарк проверяет способность агентов выполнять четко заданную интеллектуальную работу в 44 профессиях.

Если контекст уже, выбирайте метрику под задачу:

• Общая интеллектуальная работа: 84,9% в GDPval.
• Разработка ПО: 73,1% в Expert-SWE.
• Биоинформатика: 80,5% в BixBench, с оговоркой о более ограниченной источниковой базе.
• Широкое сравнение моделей: 1-е место в Artificial Analysis Intelligence Index с отрывом в 3 пункта.

Вывод

Лучший короткий benchmark-ответ для GPT-5.5 — 84,9% в GDPval. Но использовать его нужно точно: это показатель для четко сформулированной профессиональной интеллектуальной работы в 44 профессиях, а не универсальный рейтинг модели на все типы задач. Остальные проценты имеют смысл только вместе с названием бенчмарка и областью, которую он проверяет.