◆ 模型舱

GPT-5.5 评测：Agent 能力顶尖，但闭源不可本地

查看模型详情 →
结论：不推荐
优点
  • ✓ Agent / 终端任务顶尖：Terminal-Bench 2.0 82.7%（领先 Claude Opus 4.7 约 10 个百分点）、OSWorld-Verified 78.7%、LMSYS Agent Arena 第一（官方 / LMSYS）
  • ✓ 代码强：SWE-Bench Verified 88.7%、HumanEval 约 93.1%
  • ✓ 1M 上下文，Graphwalks 1M f1 达 45.4%（前代 9.4%），长上下文迈入生产可用（第三方评测）
  • ✓ 原生全模态（文本 / 图像 / 音频 / 视频）+ Computer Use 生态集成完整（官方）
缺点
  • ✗ 闭源不可本地：权重未开放，仅 OpenAI API / ChatGPT 订阅，无任何官方本地部署路径（官方 / 多源）
  • ✗ API 贵：标准 $5 / $30 每百万 token（Pro $30 / $180），约为开源竞品 DeepSeek V4 的 10-20 倍
  • ✗ 估算约 8.8 万亿参数（arXiv 黑盒探针，90% 置信区间约 3 倍误差），即使泄露也无法消费级运行
  • ✗ 多模态 / 新颖推理弱于 Gemini 3.1 Pro（MMMU-Pro 76 vs 82.8、ARC-AGI-2 52.9 vs 77.1）；社区实测综合通过率仅 59.4%，与官方 Agent 高分反差大
适合场景：云 API 企业级 Agent 自动化（Codex / 多工具工作流）、1M 超长文档分析与科研综述、ChatGPT 重度生态用户（文本 + 图像 + 代码 + 浏览器一站式）

本文基于公开资料综述（智谱 / Kimi / DeepSeek 3 家 AI 采集交叉，2026-07-20），非实机测试。

① 公开证据综合

GPT-5.5 是 OpenAI 2026-04-23 发布的旗舰闭源模型，代号 Spud，自 GPT-4.5 以来首个全新预训练基础模型，从底层融入 Agent 训练目标（官方）。

Agent 与终端任务是其核心突破：Terminal-Bench 2.0 82.7%（领先 Claude Opus 4.7 约 10 个百分点）、OSWorld-Verified 78.7%（自主桌面任务）、LMSYS Agent Arena 第一、Agents’ Last Exam（ALE）Codex + GPT-5.5 组合 24.0% 居首（官方 / LMSYS）。代码 SWE-Bench Verified 88.7%、HumanEval 约 93.1%。1M 上下文 Graphwalks f1 45.4（前代 9.4），长上下文迈入生产可用（第三方）。

但多模态与新颖推理弱于竞品：MMMU-Pro 76、ARC-AGI-2 52.9，均落后 Gemini 3.1 Pro（82.8 / 77.1）；SWE-Bench Pro 58.6% 低于 Claude Opus 4.8 75.1%（Kimi）。社区 20 款模型横实测综合通过率仅 59.4%（低于 Claude 3.5 Sonnet 91.3），与官方 Agent 高分反差大，提示能力高度依赖任务类型（DS）。

规模：官方未公开参数量；arXiv 黑盒探针（IKP）估算约 8.8T（90% 置信区间 2.9T-26.5T，仅供参考）。

② 与同类模型横评

③ 本地部署建议与 verdict

能不能本地跑？不能。 GPT-5.5 完全闭源，权重未开放，仅 OpenAI API / ChatGPT 订阅，无任何官方本地路径（3 家一致）。网络上的”本地部署 GPT-5.5 Pro”教程经核查是第三方基于 GPT-2 架构微调的衍生小模型，与官方无关，切勿混淆（DS）。即使未来泄露，8.8T 估算规模也远超消费级 / 企业级单节点承载。

Verdict：not-recommend（不推荐本地）。 GPT-5.5 Agent 能力顶尖、生态成熟，但闭源根本不可本地；API 高昂且存在能力相近、成本低 10-20 倍、可本地的开源替代（DeepSeek-V4-Pro / Qwen3.5 等）。仅推荐预算充足、需 OpenAI 顶级 Agent 能力的企业通过云 API 使用——本地部署场景应选开源权重模型。