GPT-5.5「Spud」查證：OpenAI 實際證實咗啲乜？

這並不等於可以證明「Spud」從來沒有在內部存在過。較準確的講法是：在這批來源之中，關於 Spud 的發布時間、基準測試成績，或者比 GPT-5.4 更強的圖像／文件 grounding 能力，暫時都未有官方證據成立。

結論：GPT-5.5「Spud」應先視為未證實

目前最硬淨的官方證據，都指向 GPT-5.4。OpenAI 的 GPT-5.4 模型頁面把 GPT-5.4 描述為面向複雜專業工作的 frontier model；OpenAI 的最新模型指南和模型索引亦引導讀者去 GPT-5.4 。

相反，這批來源入面與 Spud 直接相關的資料，主要是一般網頁文章、Reddit、X 貼文和 YouTube 影片，而不是 OpenAI 官方模型頁、模型指南、model card 或正式基準報告 。所以比較穩陣的判斷是：在 OpenAI 發布正式文件之前，GPT-5.5「Spud」應該當作傳聞或未驗證標籤。

逐項拆解：Spud 傳聞 vs GPT-5.4 官方資料

OpenAI 官方實際寫了甚麼

OpenAI 官方 GPT-5.4 頁面表示，GPT-5.4 是其用於複雜專業工作的 frontier model 。OpenAI 亦有一篇針對 GPT-5.4 的 cookbook，主題是 vision and document understanding，即視覺與文件理解 。

在已檢索資料中，這些 GPT-5.4 指引包括幾類例子：從手寫保險表格抽取結構化資料、理解單位平面圖的空間關係、分析圖表，以及從警方表格抽取 bounding box 等 。

這一點之所以重要，是因為真正的文件工作不只是「讀到字」。如果系統要可靠，它要能夠把答案扣回頁面上的可見證據：欄位標籤、欄位值、表格格仔、圖表標記、手寫字、文件版面，甚至某個資料在頁面上的位置。不過要講清楚：今次審閱到的 GPT-5.4 資料屬 OpenAI 撰寫的指引和示範，並不是針對所有實際生產文件流程的獨立審核 benchmark 報告 。

OpenAI 的 prompt 指引亦有實務價值。官方建議，對大型、密集或空間位置敏感的圖片，尤其是 computer use、定位、OCR 和點擊準確度任務，應使用 original 圖像細節 。換句話講，如果工作是處理表格、掃描件、截圖或圖表，流程若把圖片壓細、降解或移除細節，模型準確度可能會受影響。

點解多模態 grounding 難過普通 OCR？

OCR 主要是讀出文字；多模態 grounding 則要再行多幾步：把文字、版面、位置、視覺結構和推理連起來，交出一個可以回到原文件核對的答案。

研究背景亦支持這個更闊的理解。文件理解評估通常涵蓋表格理解、收據解析和文件視覺問答等範疇 。而多頁文件 VQA 可能要求模型跨頁推理、瀏覽文件、檢索相關內容，再針對特定頁面仔細檢查，而不是靠單張圖片或單頁裁剪就完成 。

所以，一張看起來很厲害的示範截圖，未必足以證明模型在真實工作流程中可靠。認真的評估應該覆蓋實際會處理的文件種類、掃描質素、頁數、手寫內容、表格、圖表、小字，以及容易出錯的邊界情況。

依家應該點樣評估 OpenAI 的圖片與文件模型？

1. 先睇有文件支撐的模型，不要只追 leaked name。 在今次審閱到的官方來源中，已記錄的 OpenAI 模型是 GPT-5.4；GPT-5.5「Spud」未獲證實 。
2. 有需要時保留原圖細節。 對密集、大型或空間敏感輸入，例如 OCR、定位、點擊準確度和 computer-use 任務，使用 original 圖像細節 。
3. 評估證據，不只評估文筆。 抽取任務要對準欄位值；圖表任務要能追溯數值；表格和截圖如果位置重要，就應要求 box 或座標。OpenAI 的 GPT-5.4 例子包括 bounding-box extraction 。
4. 用你真正會處理的文件測試。 表格、收據和文件 VQA 類任務，都出現在文件理解 benchmark 文獻之中 。
5. 加入多頁文件情境。 多頁文件 VQA 可能涉及文件導航、結構化視覺推理、語義檢索和針對頁面擷取 。
6. 比較不同流程設計。 有些任務單次模型輸入已足夠；有些則可能需要 OCR、版面解析、檢索、裁剪或頁面選擇，尤其是文件很長、很密集或對空間位置敏感時 。

最後一句

「Spud」這個名字確實出現在不少傳聞式內容之中，但在今次審閱到的來源裡，它未被證實為 OpenAI 官方公開模型。更可行的結論是：如果你要做圖像和文件理解測試，應先圍繞 OpenAI 已有文件支撐的 GPT-5.4；至於 GPT-5.5 Spud 的多模態 grounding 能力、發布時間和性能說法，在 OpenAI 發布官方模型頁、模型指南、model card 或 benchmark 報告之前，都應視為未證實 。