GPT-5.5 Spud 核查：未发现 OpenAI 官方确认

对开发者和产品团队来说，这不是咬文嚼字。模型昵称不是基准测试，所谓更大的上下文窗口，也不能自动证明模型能在很长、工具很多、跨多轮的工作流里稳定记住指令。

核查结论一览

为什么 Spud 传言不能等同于发布

Spud 确实有传播痕迹。它出现在 Facebook、Reddit、X、YouTube，以及一些非官方文章中，内容涉及可能的发布时间、预训练、多模态和能力猜测 。这些材料能说明“有人在讨论 Spud”，但不能证明 OpenAI 已经发布了这个模型。

如果要确认一个模型真的可用，通常更可靠的证据应来自 OpenAI 的 API 页面、更新日志、发布说明、官方公告、系统卡或可复现的基准材料。本次审阅中，这类一手材料明确指向或描述的是 GPT-5.4 。

也要强调：没有公开文档，并不等于证明 OpenAI 内部没有任何代号或实验模型。它只意味着，关于 Spud 的发布日期、API 可用性、价格、记忆能力或长上下文可靠性，在本次材料范围内都还不能被验证。

官方证据真正说明了什么

本次最强的模型证据来自 OpenAI 的 GPT-5.4 材料。OpenAI 的 API 指南标题为 Using GPT-5.4，API 更新日志和 GPT 发布说明也把读者导向 Latest: GPT-5.4 。

OpenAI 的 GPT-5.4 公告称，该模型吸收了 GPT-5.3-Codex 的编码能力，并改进了模型在工具、软件环境、电子表格、演示文稿和文档等专业任务中的表现 。同一公告还称，在 GDPval 对比中，GPT-5.4 达到 83.0%，GPT-5.2 为 70.9%；该基准被描述为测试 agent 在 44 种职业中产出明确规格知识工作的能力 。

最接近“长工作流可靠性”问题的官方证据，来自 GPT-5.4 Thinking，而不是 Spud。OpenAI 的 GPT-5.4 Thinking 系统卡称，在有挑战的长 rollout traces 评估中，GPT-5.4 Thinking 在跟踪和回滚操作、同时保持用户工作不受破坏方面明显优于早期模型；页面还介绍 CoT-Control 是一个包含超过 13,000 个任务的评估套件 。这仍然是 GPT-5.4 Thinking 的证据，不能拿来证明 GPT-5.5 Spud 已经发布或通过了同类测试。

长上下文可靠性，不只是“能塞多少 token”

长上下文可靠性不等于把一大段提示词放进窗口里。真实工作流里，模型可能要记住相隔很远的约束，在多轮或多会话中保持状态，选择正确工具，安全地修改或撤销前面的工作，还要让多个文件、表格或文档保持一致。

相关研究也把这件事当作仍在发展的评估问题。近年的综述仍在讨论如何扩展上下文长度、长上下文建模、架构调整、工作流方法和上下文工程，而不是把长上下文指令遵循视为已经解决 。另有系统性评估论文专门比较长上下文语言模型的优化技术，其中包括模型处理并保留大量信息的场景 。

指令保持也越来越多地被直接测量。LongAlign 提出 LongBench-Chat，用于评估长上下文中的指令遵循 。LifBench 提出 Long-context Instruction Following Benchmark，关注长上下文场景下的指令遵循表现和稳定性 。LocoBench 则面向复杂软件工程工作流，包含 Multi-Session Memory Retention 和多会话开发工作流 。

团队应该怎么测长工作流可靠性

OpenAI 的评估最佳实践建议围绕生产环境设计 eval，并点名“工具选择”这一评估目标；文档还提醒，当单一 agent 架构里加入更多工具和任务时，模型可能更难遵循指令或选择正确工具 。OpenAI 也发布过面向 Codex 长周期任务的开发者指导，说明长时间、多步骤工作确实是产品场景，但这并不是 Spud 的基准 。

一个务实的评估套件，至少应覆盖以下六类行为：

1. 远距离指令保持。 把关键要求分别放在长上下文的开头、中间和结尾，再检查最终输出是否全部遵守。LongAlign 和 LifBench 与这一问题直接相关，因为它们关注长上下文下的指令遵循 。
2. 多会话状态保持。 模拟多次工作会话，包含决策、约束和反悔操作，再检查模型是否能从正确状态继续。LocoBench 的 Multi-Session Memory Retention 框架与此高度相关 。
3. 高负载下的工具选择。 给模型多个看似可用的工具，检查它是否选择正确工具，并传入正确参数。OpenAI 把工具选择列为评估目标，并提示复杂度上升会影响指令遵循和工具调用 。
4. 回滚与修复。 要求模型撤销长任务中的一部分，同时不破坏无关的用户成果。这与 OpenAI 为 GPT-5.4 Thinking 报告的长 rollout 行为相近 。
5. 跨文件、跨文档一致性。 对代码、表格、演示文稿和文档，检查模型是否维护整体约束，而不是只优化最后一轮回答。GPT-5.4 的官方定位涵盖工具、软件环境、表格、演示和文档，LocoBench 则聚焦复杂软件工程工作流 。
6. 提示与输出控制。 在最终回答前，用示例明确格式、长度和风格。OpenAI 的可靠性指南讨论了提示层面的技巧，但这些技巧应补充而不是替代工作流级评估 。

什么证据会改变结论

如果未来出现更强的一手证据，结论才应改变：例如 OpenAI API 或模型页面明确写出 GPT-5.5 或 Spud，更新日志或发布说明列入该模型，OpenAI 发布公告、模型卡或系统卡，或有可复现的长上下文评估结果覆盖指令遵循、多会话记忆、工具选择、回滚修复和跨文件一致性 。

在那之前，最稳妥的说法是：本次审阅的 OpenAI 官方材料没有公开验证 GPT-5.5 Spud；可用证据也没有证明它的长上下文可靠性。对团队而言，应该测试实际可用的模型，而不是把非官方模型昵称当成已经落地的能力承诺。