GPT-5.5 benchmark：GDPval 84.9% 其實代表乜？

呢個講法最乾淨，因為數字、benchmark 名稱同測試範圍都一齊講清楚。單講 84.9% 會少咗上下文；而將唔同 benchmark 嘅百分比排埋一齊鬥高低，就更加容易誤導。

公開提到嘅主要數字

點解唔可以淨係比較百分比

84.9%、73.1%、80.5% 睇落都係百分比，好似可以直接排隊。但其實每個數都喺量度唔同嘢：

• GDPval 84.9%：指向多職業、規格清楚嘅知識工作成果。
• Expert-SWE 73.1%：指向 coding 任務，而且報道稱屬於內部評測。
• BixBench 80.5%：指向生物資訊學任務。

所以更實際嘅問法唔係「邊個百分比最高」，而係「邊個 benchmark 最似你想用 GPT-5.5 做嘅事」。如果係一般知識工作，GDPval 係較好參考；如果係寫 code 或修 software issue，Expert-SWE 更貼題；如果係生物資訊學，BixBench 先係較接近嘅測試範圍。

Artificial Analysis 嘅第一名代表乜

第三方平台 Artificial Analysis 指，GPT-5.5 喺佢哋嘅 Intelligence Index 以 3 分優勢排第一。 同一資料亦提到，OpenAI 喺 5 個主要評測項目領先，但另有 3 個項目排喺 Gemini 3.1 Pro Preview 之後。

呢個細節好重要：第三方綜合指數攞第一，唔等於每一個單項測試都贏。比較準確嘅讀法係：按 Artificial Analysis 自己嘅方法，GPT-5.5 整體排最前；但逐項能力仍然有高低。

見到 91.7% 或 82.7%，要先問測緊乜

有啲報道會提到其他 GPT-5.5 分數，例如同法律 AI 能力相關嘅 91.7%，或者同 agentic coding 相關嘅 82.7%。 呢啲數字未必冇用，但只適合用喺相應專項討論。

如果你要一個一般性 benchmark 答案，呢類孤立 headline 數字通常唔夠穩陣。除非測試設計、比較對象同量度目標都講得好清楚，否則最好唔好將佢哋同 OpenAI 直接公布、範圍清楚嘅 GDPval 84.9% 放埋一齊當同類分數比較。

實際應該引用邊個數？

視乎你寫緊或者問緊咩：

• 一般知識工作／工作模型定位：引用 GPT-5.5 喺 GDPval 取得 84.9%。
• 軟件開發或 coding 任務：引用 Expert-SWE 73.1%，並說明係 coding 任務內部評測。
• 生物資訊學：可提 BixBench 80.5%，但要註明資料來源相對冇 GDPval 咁直接。
• 大範圍模型比較：可提 Artificial Analysis Intelligence Index 第 1 位、領先 3 分，但要記住呢係第三方綜合指數。

總結

GPT-5.5 最適合用嚟做一般短答嘅 benchmark，是 GDPval 84.9%。 呢個數字來自 OpenAI，並且測試範圍講得清楚：橫跨 44 個職業、清楚規格化嘅知識工作。

至於其他分數，唔係唔重要，而係要放返入正確場景。Benchmark 唔係一張萬能成績表；對讀者真正有用嘅，係知道每個分數究竟代表邊種能力。