GPT-5.5 Spud 核查：OpenAI 实际确认了什么

这并不能证明“Spud”从未作为内部代号存在过。但它意味着，关于 Spud 发布时间、基准成绩，或其在图像和文档“多模态证据定位”（grounding）上优于 GPT-5.4 的公开说法，目前不能当作已证实事实。

结论：把 GPT-5.5 “Spud”视为未证实传闻

官方证据最强的一端，指向的是 GPT-5.4。OpenAI 的 GPT-5.4 模型页面称 GPT-5.4 是其面向复杂专业工作的前沿模型；OpenAI 的最新版模型指南和模型索引也把读者引向 GPT-5.4 。

相对地，本次材料中提到 Spud 的来源主要是普通网页文章、Reddit、X 帖文和 YouTube 视频，而不是 OpenAI 官方模型页面、模型指南、模型卡或基准报告 。因此，更稳妥的判断是：在 OpenAI 发布正式文档前，GPT-5.5 Spud 应被视为传闻或未经验证的标签。

逐条核查：Spud 与 GPT-5.4

OpenAI 实际写进文档的是什么

OpenAI 的 GPT-5.4 官方页面称，GPT-5.4 是其面向复杂专业工作的前沿模型 。OpenAI 还提供了一篇面向 GPT-5.4 的视觉与文档理解 cookbook 指南 。在检索到的材料中，这些示例包括：从手写保险表单中做结构化抽取、对公寓平面图进行空间推理、理解图表，以及从警方表单中提取边界框 。

这些例子之所以重要，是因为真实文档处理远不只是“把字读出来”。一个有证据定位能力的多模态模型，需要把答案和页面上的可见证据对应起来：字段名与字段值、表格单元格、图表标记、手写内容、版式结构，以及空间位置。

但也要看清边界：这里的 GPT-5.4 材料是 OpenAI 编写的指南与演示，不等同于覆盖所有生产级文档工作流的独立审计基准报告 。

OpenAI 的提示建议也很实用。它建议在大型、密集或对空间位置敏感的图像中使用 original 图像细节，尤其是计算机使用、定位、OCR 和点击准确性任务 。换句话说，处理表单、扫描件、截图和图表时，如果流程过早压缩图片、降采样或丢掉细节，模型可能失去判断所需的视觉证据。

为什么这不只是 OCR

OCR 解决的是“读出文字”。多模态证据定位要解决的是：把文字、版式、位置、视觉结构和推理连起来，给出能回到页面上检查的答案。

研究背景也支持这种更宽的理解。文档理解评测通常覆盖表单理解、收据解析和文档视觉问答等任务 。多页文档视觉问答还可能要求模型跨页推理、在文档中导航、检索相关内容，并有针对性地查看页面，而不是只看单张图片或一页裁剪图 。

因此，一张漂亮的截图演示并不足以证明一个模型适合严肃业务场景。真正的评测应该覆盖你实际会遇到的文档类型、扫描质量、页数、手写比例、表格和图表复杂度、小字号文本，以及容易出错的边界情况。

现在该如何评估 OpenAI 图像与文档模型

1. 先看已文档化模型，不要被泄露代号带节奏。 在本次审阅的官方来源中，OpenAI 已文档化的是 GPT-5.4；GPT-5.5 Spud 尚未得到验证 。
2. 该保留细节时就保留细节。 对密集、大尺寸或空间敏感输入，例如 OCR、定位、点击准确性和计算机使用任务，应使用 original 图像细节 。
3. 评估证据，不只评估表达流畅度。 做字段抽取时比较精确字段值；做图表任务时要求可追溯的数值；做表单和截图任务时，如果位置重要，应要求模型给出框或坐标。OpenAI 的 GPT-5.4 示例中就包含边界框抽取 。
4. 用你真实会处理的文档测试。 表单、收据和文档视觉问答都是文档理解基准文献中的典型类别 。
5. 加入多页样本。 多页文档视觉问答可能需要文档导航、结构化视觉推理、语义检索和目标页面获取 。
6. 比较不同流程设计。 有些任务可以一次交给模型完成；有些任务则可能需要 OCR、版面解析、检索、裁剪或页面选择，尤其是在文件很长、很密集或空间位置很关键时 。

最后一句话

“Spud”这个名字出现在传闻式报道和社交内容中，但在本次审阅的官方来源里，它还不是一个已验证的 OpenAI 公开模型。更可执行的结论是：如果你关心图像感知和文档理解，当前应评估 OpenAI 已文档化的 GPT-5.4 工作流；至于 GPT-5.5 Spud 的多模态增强说法，在 OpenAI 发布正式模型页面、模型指南、模型卡或基准报告前，都应视为未证实 。