GPT-5.5
OpenAI国际旗舰里做题强、代码强，但 AA 已被 Claude Fable 5 反超
OpenAI 当前主力。AA Intelligence 55 全球第 3（落后 Claude Fable 5 的 60 和 Opus 4.8 的 56），Coding Index 仍是榜首。LMArena Text 第 9（1285）、Code Arena 进入前 10——「做对题」和「人类觉得回答好」之间的差距，没有比这更典型的案例。$5/M 输入、$30/M 输出，比 Claude Opus 4.7 略贵一档。
关键指标
Artificial Analysis · 独立评测
artificialanalysis.ai · 抓取于 2026-07-11| 综合智能（Intelligence Index） | 55.00 |
| 输出速度 | 64 token/s |
| 首 token 延迟（TTFT） | 96.16s |
| 总响应延迟 | 104.03s |
| 推理模式 | 是（reasoning model） |
AA 是独立第三方评测站，综合 GPQA / HLE / MMLU-Pro / SciCode / Tau²-Bench / TerminalBench / IFBench 等公开基准。 同一模型不同 reasoning effort 配置 AA 拆开排，本表只取最高分那档。
LMArena · 人类盲测排名
arena.ai · 抓取于 2026-07-11| 分类 | 最佳变体 | 排名 | Elo |
|---|---|---|---|
| 🔍 Search | gpt-5.5-search | #2 | 1240.0951222535487 |
| 🌐 Web Dev | gpt-5.5-xhigh (codex-harness) | #5 | 1536.76 |
| 📄 Document | gpt-5.5-high | #7 | 1486.87 |
| 👁️ Vision | gpt-5.5 | #9 | 1285.88 |
| 🏆 Overall | gpt-5.5-high | #12 | 1481.0406663070514 |
| 💻 Code | gpt-5.5-xhigh (codex-harness) | #18 | 1501.98 |
只展示 Top 10 内出现的分类与变体。同一分类下若有多个变体（thinking / search 等），只显示排名最靠前的。 LMArena 是 Elo 分，人类盲测两两投票算出来—— 「人类觉得好」≠「客观最强」，但反映真实使用体验。
SuperCLUE · 中文能力测评
未收录：SuperCLUE 5 月榜 GPT-5.5(high) 总分 74.27，海外第二，智能体 86.56 全场最高。
API 价格与国内可用性
来源 openrouter.ai · 抓取于 2026-07-11| 输入价格 | $5.00 / 百万 token |
| 输出价格 | $30.00 / 百万 token |
| 上下文窗口 | 1050K tokens |
| 国内可用性 | 需代理 |
| 最近核验 | 2026-07-11 |
| 模型 | 输入 | 输出 | 国内 |
|---|---|---|---|
| GPT-5.6 Sol · OpenAI | $5.00 | $30.00 | 需代理 |
| GPT-5.6 Sol Pro · OpenAI | $5.00 | $30.00 | 需代理 |
| Sakana Fugu Ultra · Sakana AI | $5.00 | $30.00 | 待确认 |
| Claude Opus 4.7 · Anthropic | $5.00 | $25.00 | 需代理 |
Vectara HHEM · 幻觉率实测
vectara/hallucination-leaderboard · 2026-07-02T04:24:22.584572+08:00| 幻觉率（Hallucination Rate） | 9.3% （越低越好 · 全榜第 46 / 105） |
| 事实一致率 | 90.7% |
| 答题率（Answer Rate） | 100.0% |
Vectara HHEM-2.3 是开源的事实一致性评估器。让模型对 7700+ 篇文档（新闻/科技/科学/医疗/法律/体育/商业/教育）做摘要， 温度=0，HHEM 评估摘要是否「捏造原文里没说的内容」。 幻觉率不等于"模型质量"——它只衡量摘要任务的事实一致性，做题强的旗舰模型反而经常更爱"加戏"。 但对 RAG、客服、医疗法律这种「不能瞎说」的场景，这是目前最有参考价值的指标之一。
什么时候选它 / 别选它
- 数学/科学推理、复杂分析报告、需要严谨链路的研究任务
- 代码生成的「正确性」分（AA Coding #1），尤其复杂算法、leetcode 类
- Agent 任务编排——AA Agentic 74.12 是同档最高
- 前端 UI 开发——LMArena WebDev 排到第 9，Claude 在前 6 占 5 席
- 极致预算敏感的跑量场景——$30/M 输出价不低
- 国内无代理——OpenAI 没有大陆节点