Если нужен один короткий ответ на вопрос «какой бенчмарк у GPT-5.5?», самая аккуратная формулировка такая: GPT-5.5 набирает 84,9% в GDPval. OpenAI описывает GDPval как тест способности ИИ-агентов выполнять четко заданную интеллектуальную работу в 44 профессиях.^[1]

Но у этой цифры есть важная рамка. 84,9% — не универсальная “оценка ума” модели и не общий знак качества на все случаи жизни. Это результат в конкретном типе задач: профессиональная, хорошо сформулированная knowledge work, то есть работа с информацией, анализом и подготовкой заданного результата.^[1]

Главная цифра: 84,9% в GDPval

Для быстрых сравнений GPT-5.5 чаще всего имеет смысл цитировать именно этот показатель:

По данным OpenAI, GPT-5.5 получает 84,9% в GDPval — бенчмарке, который проверяет способность агентов выполнять четко специфицированную интеллектуальную работу в 44 профессиях.^[1]

Почему именно он? Потому что это значение прямо указано в анонсе OpenAI и сопровождается описанием того, что именно измеряет тест.^[1] Это делает GDPval хорошей отправной точкой, когда речь идет о GPT-5.5 как о модели для рабочих задач, а не только для программирования, науки или узкой профессиональной области.

Почему нельзя просто сравнить все проценты

На первый взгляд 84,9%, 73,1% и 80,5% выглядят как результаты из одной таблицы. На деле это разные измерения.

Бенчмарк или сравнение	Заявленный результат	Что измеряет	Как читать результат
GDPval	84,9%	Четко заданная интеллектуальная работа в 44 профессиях	Самый удобный короткий показатель из анонса OpenAI для общей оценки GPT-5.5.[1]
Expert-SWE	73,1%	Задачи по программированию; в сообщении Yahoo Finance это описано как внутренняя оценка OpenAI для задач с предполагаемым временем выполнения около 20 часов	Ближе к разработке ПО, но напрямую с GDPval не сравнивается.[8]
BixBench	80,5%	Реальный бенчмарк по биоинформатике	Полезен для оценки в биоинформатике, но в предоставленных источниках подтвержден слабее, чем значение OpenAI по GDPval.[10][1]
Artificial Analysis Intelligence Index	1-е место, отрыв 3 пункта	Внешний индекс сравнения моделей от Artificial Analysis	Удобен для общей картины рынка моделей, но это не отдельный официальный бенчмарк OpenAI.[3]

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.^[1][8][10]

Что показывает внешний индекс Artificial Analysis

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

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.^[3]

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.^[4][5] 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.^[1]

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.^[1]

Если контекст уже, выбирайте метрику под задачу:

• Общая интеллектуальная работа: 84,9% в GDPval.^[1]
• Разработка ПО: 73,1% в Expert-SWE.^[8]
• Биоинформатика: 80,5% в BixBench, с оговоркой о более ограниченной источниковой базе.^[10]
• Широкое сравнение моделей: 1-е место в Artificial Analysis Intelligence Index с отрывом в 3 пункта.^[3]

Вывод

Лучший короткий benchmark-ответ для GPT-5.5 — 84,9% в GDPval.^[1] 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.^[1] Остальные проценты имеют смысл только вместе с названием бенчмарка и областью, которую он проверяет.