文 | 强调 Next
昨天（4 月 23 日），OpenAI 发布了 GPT-5.5，内部代号 "Spud"。距离 GPT-5.4 发布，只有七周。
七周一个大版本，放在行业里已经是相当高的频率。OpenAI 的策略是用持续的发布密度，让对手的每一次重磅推出都迅速失去窗口期。Anthropic 刚在本月发布了 Claude Opus 4.7 和 Mythos Preview，不到两周，话题就被抢回来了。
这一版本的核心进步，集中在两个维度：长上下文理解和多步骤自主完成任务。
长上下文是实质性突破。在 MRCR v2 这个测试长文本信息检索的基准上，512K 到 1M token 区间的得分从 36.6% 跳到了 74.0%，翻了一倍。类似地，Graphwalks BFS（百万 token 下的图遍历测试）从 9.4% 涨到 45.4%，这是质变级的升级。对于需要处理大型代码库、长文档、跨会话上下文的工程和研究场景，这意味着少踩很多坑。
多步骤自主性也在 Codex 上有可感知的改善。官方的描述是 " 给它一个乱糟糟的任务，它自己拆解、用工具、检查结果、继续跑 "，以前这套流程经常在中途卡住，需要你手动推一把；现在卡住的频率明显降低。OSWorld-Verified（测试模型独立操作真实电脑界面的能力）得分 78.7%，和 Anthropic Opus 4.7 的 78% 基本持平，computer use 场景的两强格局已经形成。
Early access 测试者的反馈比跑分有意思。一位开发者说，GPT-5.5 在三分钟内解决了他卡了四个小时的 bug。另一位独立开发者描述得更直接：他在同一个 Codex 会话里跨越了 iOS App、后端服务、MCP 集成、客服回复起草等完全不同类型的工作。之前的模型在切换任务时经常需要重新铺垫上下文，现在它记得住。" 它从代码工具跨过了产品工具的界限 "。
NVIDIA 是目前最大规模的企业内测方，超过一万名员工在工程、法务、市场、财务等部门同时使用 Codex + GPT-5.5。他们报告的变化是：原来需要数天的调试周期，现在压缩到了几个小时。
另外有一个细节，GPT-5.5 帮助 OpenAI 分析了自己的生产流量，并重新编写了负载均衡的启发式算法，最终让服务自身的 token 生成速度提升了 20% 以上。模型参与优化了运行自己的基础设施。
不过，" 感觉 " 和 " 测评 " 之间还有落差。Every 的独立评测指出：GPT-5.5 在速度上明显快于 Opus 4.7，处理有结构化输出需求的任务（报告、课程大纲、会议纪要）表现出色；但在从零开始的创意产品设计上，" 细节好但整体感觉随机 "，还没到能完全替代 Claude 的程度。两款模型目前各有擅长的场景，并非简单的谁碾压谁。
对中国开发者来说，GPT-5.5 的发布带来的首先是定价问题。
截至 2026 年 4 月初，OpenRouter 平台调用量前十的模型里，有六个来自中国：小米 MiMo-V2-Pro、阶跃星辰、MiniMax、DeepSeek V3.2、智谱、MiniMax。自今年 2 月以来，中国模型在该平台的周调用量已经超过美国模型。a16z 的数据也显示，选择开源技术路线的美国 AI 初创公司里，约八成在用中国模型。
这说明价格差距已经大到足以让决策变形。真实的企业实践是 " 分层调用 "：简单任务、高频场景交给中国开源模型，复杂推理、高精度任务才上 GPT 或 Claude。GPT-5.5 进一步拉高了顶端价格，会强化这个分层逻辑。
但不是所有人都能分层。有相当一部分中国开发者干脆没有稳定可用的 GPT 访问渠道，GPT-5.5 的发布对他们是一道观赏性新闻。国产模型在编程能力上正在逼近，DeepSeek V3.2、Qwen3.6 在 LMArena 编程榜单上已经跻身前十；但在复杂推理、顶层科研场景上，FrontierMath Tier 4 国产最优解尚不在同一量级，但差距在收窄。
4 · 结语
GPT-5.5 不是颠覆性升级，但也不是 " 挤牙膏 "。长上下文质变、代理编程改善、多职业知识工作接近上限。
不用过于关注它比上个版本强多少，而是在你的具体场景里。当前这一代模型的能力边界在哪里，你是在能力上限之内工作，还是已经在等待下一版本解锁什么新能力？如果你是后者，GPT-5.5 值得试一试试；如果你是前者，可以等 API 正式开放后再说。
至于 " 新类别的智能 " 这个说法，Greg Brockman 下次可能还会说。留意 GDPval 的数字就好，那个变化才是真正的拐点。
