Benchmark ของ GPT-5.5: 84.9% บน GDPval หมายความว่าอย่างไร

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

ตัวเลขสำคัญที่มีการอ้างถึง

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