GPT-5.5：当 Agent 成为训练目标，而不只是能力叠加

GPT-5.5：当 Agent 成为训练目标，而不只是能力叠加

4 月 23 日，OpenAI 发布了 GPT-5.5。版本号看起来像小更新，实际上是自 GPT-4.5 以来第一次完整重训的基座模型——中间的 5.1、5.2、5.3、5.4 都是在同一个底模上做后训练迭代出来的。

但比”重训了”更值得注意的，是训练目标的优先级颠倒了。

不是”对话模型 + 工具”，是”Agent 基座 + 对话”

OpenAI 在发布说明里的原话：

“模型会执行一连串动作、调用工具、自检、持续推进直到任务完成，过程中不需要人在每个环节重新 prompt。”

之前几代 GPT-5.x 的训练目标是：先优化对话质量，然后叠加工具调用能力。GPT-5.5 的训练目标是反过来的——先优化 agent 执行能力，对话是这个能力的一个子集。

这个区别在 benchmark 上有直接体现：Terminal-Bench 2.0（衡量终端 agent 能力）82.7%，比 GPT-5.4 高 7.6 分，比 Claude Opus 4.7 和 Gemini 3.1 Pro 分别高 13 和 14 分。这个 benchmark 测的是”模型能否在沙盒终端里独立完成一连串命令行任务”——正好是 agent 训练目标的核心场景。

赢了什么，输了什么

在 Artificial Analysis 的 Intelligence Index 上，GPT-5.5 以 60 分暂时领先 Opus 4.7 和 Gemini 3.1 Pro（两者并列 57）。但有几个指标 GPT-5.5 并没有赢：

• SWE-Bench Pro（读完真实代码库修 GitHub issue）：Opus 4.7 64.3% vs GPT-5.5 58.6%
• 多语言 Q&A（MMMLU）：83.2% vs Opus 4.7 的 91.5%——对中文场景尤其需要注意
• MCP-Atlas（大规模工具调用）：Opus 4.7 77.3% vs GPT-5.5 75.3%

规律很清楚：GPT-5.5 赢的是规划 + 执行类任务（终端、Computer Use、长周期自动化）；Opus 4.7 赢的是理解 + 推理类任务（读代码库、多语言、复杂问题拆解）。

一个不该被遮住的数字：幻觉率

在 Artificial Analysis 的 AA-Omniscience benchmark 上，GPT-5.5（xhigh）拿到了有记录以来最高的准确率 57%，同时也拿到了最高的幻觉率 86%。

对比：Opus 4.7（max）幻觉率 36%，Gemini 3.1 Pro 50%。

这不矛盾。它的意思是：GPT-5.5 知道的时候答得更准，但不知道的时候更愿意编——而不是停下来说”我不确定”。

这对 agent 工作流是一个实质性风险。agent 的一个自信的错误动作，代价比”我需要再确认一下”大得多。合规、引用生成、事实问答这类对幻觉零容忍的场景，在换模型之前必须用自己的数据集验证。

Simon Willison 在他的博客里引用了 OpenAI 对 GPT-5.5 提示词工程的建议：

“把 GPT-5.5 当作一个全新的模型系列来调优，不要把它当做 gpt-5.2 或 5.4 的直接替换。从空白起点开始迁移，不要照搬旧提示词。” — OpenAI，GPT-5.5 提示词指南

这句话值得认真对待。训练目标颠倒了，模型的”行为直觉”也随之改变了。

价格：涨价是真的，但 token 效率也真的提升了

GPT-5.5 的 API 价格是 $5/$30（输入/输出），是 GPT-5.4 的 2 倍。OpenAI 的理由是 token 效率：Artificial Analysis 的实测显示，完成相同任务的 token 总量减少约 40%，所以实际每次任务的费用只涨了约 20%。

但对短 prompt、高并发的业务场景，这 2× 是实打实的涨价。不要无脑升级——先算账。

一个更大的问题

GPT-5.5 的发布，加上 Kimi K2.5 的 Agent Swarm、Cursor Composer 2 的 production RL，正在描绘同一件事：agent 训练正在从”给对话模型加工具”转向”从头设计 agent 执行目标”。

这不是能力的叠加，是训练哲学的迭代。下一代模型的能力天花板，会由它在训练时被优化的任务分布决定。

如果你现在还在用 2024 年的思路评估 LLM——“这个模型的对话质量怎么样”——你可能问错了问题。