GPT-5.5 基準測試：GDPval 84.9% 到底代表什麼

這個說法比單純丟出一個百分比更準確，因為它同時交代了分數、評測名稱與評測範圍。GDPval 不是程式設計測試，也不是生物資訊學測試，更不是第三方綜合排行榜；它的重點在於跨職業的知識工作產出。

主要公開數字一次看懂

為什麼這些百分比不能直接比大小

84.9%、73.1%、80.5% 看起來都像百分制分數，但它們不是同一張考卷。

• 84.9% GDPval：看的是跨多種職業、需求定義清楚的知識工作產出。
• 73.1% Expert-SWE：看的是程式開發任務，而且報導稱它屬於內部評測。
• 80.5% BixBench：看的是生物資訊學任務。

因此，真正該問的不是哪個百分比最高，而是哪個 benchmark 最接近你的使用情境。一般知識工作可優先看 GDPval；軟體開發可參考 Expert-SWE；生物資訊學任務則應看 BixBench 是否更貼近問題本身。

Artificial Analysis 的第一名怎麼理解

Artificial Analysis 報導，GPT-5.5 在其 Intelligence Index 中以 3 分領先居首。 同一來源也指出，OpenAI 在五個主要評測中領先，另外三項則落後於 Gemini 3.1 Pro Preview。

這裡的重點是：第三方指數的第一名，代表 GPT-5.5 按照該平台的方法論綜合排名最高；它不等於模型在每一個單項測試中都拿第一。

小心只看標題數字

有些報導還提到其他 GPT-5.5 數字，例如與法律 AI 能力相關的 91.7%，或與 agentic coding 相關的 82.7%。 這些數字可能對特定領域有意義，但如果測試設計、比較對象與測量目標沒有同樣清楚，拿來回答一般性的 GPT-5.5 benchmark 問題就容易誤導。

更好的做法，是每次引用數字時都把評測名稱一起說出來：不是只說 GPT-5.5 得到 84.9%，而是說它在 GDPval 得到 84.9%；不是只說 73.1%，而是說 Expert-SWE 73.1%。

到底該引用哪一個？

如果你的問題是一般性的 GPT-5.5 表現，最乾淨的引用方式是：

GPT-5.5 根據 OpenAI 公布，在 GDPval 上取得 84.9%；GDPval 測試 AI 代理在 44 種職業中產出規格明確知識工作的能力。

如果使用情境更明確，則應換成更貼近任務的評測：

• 一般知識工作：84.9% GDPval。
• 軟體開發：73.1% Expert-SWE。
• 生物資訊學：80.5% BixBench，並註明目前來源佐證較有限。
• 跨模型綜合比較：Artificial Analysis Intelligence Index 第 1 名，領先 3 分。

結論

GPT-5.5 最適合作為短答引用的 benchmark，是 OpenAI 公布的 84.9% GDPval。 但這個數字的意義很明確：它評估的是跨 44 種職業、規格明確的知識工作，不是所有 AI 能力的總分。

所以，與其問 GPT-5.5 的分數到底是多少，不如先問：你想衡量的是一般知識工作、寫程式、生物資訊學，還是第三方綜合排名？選對 benchmark，數字才有意義。