Benchmark ของ GPT-5.5: 84.9% บน GDPval หมายความว่าอย่างไร

เวลาถามว่า benchmark ของ GPT-5.5 คืออะไร คำตอบที่ดีไม่ควรหยิบเปอร์เซ็นต์ที่สูงที่สุดมาโชว์ทันที แต่ต้องดูด้วยว่าชุดทดสอบนั้นวัดอะไร

ถ้าต้องตอบแบบสั้นที่สุด ตัวเลขที่ควรเริ่มคือ 84.9% บน GDPval เพราะ OpenAI ระบุค่านี้เอง และอธิบายว่า GDPval เป็น benchmark สำหรับวัดความสามารถของเอเจนต์ AI ในการสร้างงานเชิงความรู้ที่กำหนดโจทย์ไว้ชัดเจน ครอบคลุม 44 อาชีพ

แต่ต้องอ่านให้ถูก: 84.9% ไม่ใช่คะแนนความฉลาดรวม ไม่ใช่เกรดคุณภาพทุกด้านของโมเดล และไม่ควรเอาไปเทียบตรง ๆ กับคะแนน coding หรือชีวสารสนเทศโดยไม่ดูบริบท

คำตอบสั้น: 84.9% บน GDPval

ถ้าต้องอ้าง benchmark ของ GPT-5.5 เพียงตัวเดียว สูตรที่แม่นที่สุดคือ:

GPT-5.5 ทำได้ 84.9% บน GDPval ตามข้อมูลจาก OpenAI โดย GDPval ทดสอบความสามารถในการสร้างงานเชิงความรู้ที่ระบุโจทย์ชัดเจนใน 44 อาชีพ

ตัวเลขนี้มีประโยชน์มากเมื่อต้องมอง GPT-5.5 ในฐานะโมเดลสำหรับงานทำงานจริง เช่น การอ่านโจทย์ การวางโครงงาน และการผลิตผลลัพธ์ตามเงื่อนไขที่กำหนดไว้ อย่างไรก็ตาม GDPval ไม่ได้แทนทุกมิติของการใช้ AI จึงไม่ควรถูกใช้เป็นคำตอบครอบจักรวาลสำหรับทุกกรณี

ตัวเลขสำคัญที่มีการอ้างถึง

Benchmark หรือดัชนี	ค่าที่รายงาน	วัดเรื่องอะไร	ควรอ่านอย่างไร
GDPval	84.9%	งานเชิงความรู้ที่กำหนดโจทย์ชัดเจน ครอบคลุม 44 อาชีพ	เป็นค่าที่ OpenAI ระบุโดยตรง จึงเหมาะเป็น benchmark สั้น ๆ สำหรับภาพรวมงานความรู้
Expert-SWE	73.1%	งานเขียนโค้ด โดยรายงานว่าเป็นการประเมินภายในสำหรับงานที่คาดว่าใช้เวลาทำ 20 ชั่วโมง	เหมาะกว่า GDPval หากโจทย์คือ software development แต่ไม่ใช่ตัวเลขที่เทียบกับ GDPval ได้ตรง ๆ
BixBench	80.5%	benchmark ชีวสารสนเทศจากงานจริง	เกี่ยวข้องกับ bioinformatics โดยเฉพาะ แต่ในชุดแหล่งข้อมูลนี้หลักฐานควรอ่านระวังกว่าค่า GDPval ที่มาจาก OpenAI โดยตรง
Artificial Analysis Intelligence Index	อันดับ 1 นำ 3 คะแนน	ดัชนีเปรียบเทียบโมเดลจากผู้ประเมินภายนอก	มีประโยชน์สำหรับดูภาพรวมการแข่งขันของโมเดล แต่ไม่ใช่ benchmark ทางการตัวเดียวจาก OpenAI

ทำไม 84.9%, 73.1% และ 80.5% ไม่ควรถูกเทียบกันตรง ๆ

ตัวเลขเปอร์เซ็นต์หลายตัวอาจทำให้ดูเหมือนเป็นคะแนนจากข้อสอบชุดเดียวกัน แต่จริง ๆ แล้วแต่ละค่าอยู่คนละสนามทดสอบ

• 84.9% บน GDPval วัดงานเชิงความรู้ที่ระบุโจทย์ชัดเจนในหลายอาชีพ
• 73.1% บน Expert-SWE วัดงาน coding ในการประเมินภายในที่รายงานว่าออกแบบสำหรับงานซึ่งคาดว่าใช้เวลาทำ 20 ชั่วโมง
• 80.5% บน BixBench วัดงานด้าน bioinformatics หรือชีวสารสนเทศ

ดังนั้นคำถามที่ควรถามไม่ใช่ ค่าไหนสูงกว่า แต่ควรถามว่า benchmark ไหนตรงกับงานที่เราจะใช้มากกว่า ถ้าเป็นงานความรู้ทั่วไป GDPval ให้ภาพที่ตรงกว่า ถ้าเป็นงานเขียนโค้ด Expert-SWE จะใกล้บริบทกว่า และถ้าเป็นชีวสารสนเทศ BixBench ก็เกี่ยวข้องกับโจทย์มากกว่า

แล้ว Artificial Analysis บอกอะไร

Artificial Analysis รายงานว่า GPT-5.5 ขึ้นนำ Artificial Analysis Intelligence Index อยู่ 3 คะแนน รายงานเดียวกันยังระบุว่า OpenAI นำใน headline evaluations 5 รายการ และตามหลัง Gemini 3.1 Pro Preview ในอีก 3 รายการ

จุดสำคัญคือ อันดับ 1 ในดัชนีภายนอกไม่ได้แปลว่าโมเดลชนะทุกการทดสอบย่อยเสมอไป แต่หมายความว่าเมื่อรวมตามวิธีคำนวณของดัชนีนั้น GPT-5.5 อยู่ในตำแหน่งนำโดยรวม

ระวังตัวเลขพาดหัวที่หลุดจากบริบท

ยังมีรายงานอื่นที่พูดถึงตัวเลขของ GPT-5.5 เช่น 91.7% ในบริบทความสามารถด้าน legal AI หรือ 82.7% ในบริบท agentic coding ตัวเลขเหล่านี้อาจมีความหมายสำหรับงานเฉพาะทาง แต่ถ้าใช้ตอบคำถามทั่วไปว่า benchmark ของ GPT-5.5 คืออะไร ยังไม่ควรดึงมาแทน GDPval เว้นแต่จะอธิบายให้ชัดว่าทดสอบอะไร เทียบกับใคร และออกแบบมาเพื่อวัดเป้าหมายใด

ควรอ้างตัวเลขไหนในสถานการณ์ไหน

ถ้าจะอ้างแบบกระชับและไม่ทำให้เข้าใจผิด ควรเลือกตามบริบทดังนี้

• งานเชิงความรู้ทั่วไป: 84.9% บน GDPval
• งาน software development: 73.1% บน Expert-SWE
• งาน bioinformatics: 80.5% บน BixBench พร้อมระบุว่าหลักฐานในชุดแหล่งข้อมูลนี้จำกัดกว่า
• การเทียบโมเดลในภาพกว้าง: อันดับ 1 ใน Artificial Analysis Intelligence Index โดยนำ 3 คะแนน

สรุป

ถ้าต้องเลือก benchmark สั้น ๆ สำหรับ GPT-5.5 คำตอบที่สะอาดที่สุดคือ 84.9% บน GDPval จุดแข็งของตัวเลขนี้คือมาจาก OpenAI โดยตรง และมีขอบเขตชัดเจนว่าเป็นการวัดงานเชิงความรู้ที่กำหนดโจทย์ไว้ชัดเจนใน 44 อาชีพ

ส่วนตัวเลขอื่นไม่ได้ผิด เพียงแต่ตอบคนละคำถาม การอ่าน benchmark ให้แม่นจึงไม่ใช่การดูว่าเปอร์เซ็นต์ไหนสูงสุด แต่คือการดูว่า benchmark นั้นวัดงานแบบเดียวกับที่เราต้องการใช้ GPT-5.5 หรือไม่