GPT-5.5 token消耗降了40%，SWE-Bench却几乎原地踏步
凌晨三点，我在屏幕前枯坐了三晚。
从GPT-3就开始在API上跑活的老玩家。写过吐槽帖，搭过生产级Agent，每次大版本更新，都得亲手拆一遍才敢上线。这次GPT-5.5发布，OpenAI自称“迄今最大更新”，48天就端上新版本。我心里打了个结。
三个晚上，我的心情从希望到惊叹，又变成骂娘，最后是沉默。
虚假的舒适圈：排名看着漂亮，细看让人发虚
官方发了九项对比表，我全重绘了。但这些基准测试啊，越来越像高考选考科目，谁选得巧谁分数高。
Artificial Analysis Intelligence Index（第三方加权）：GPT-5.5第一，60分。总算打破三强并列，而且效率有明显改善——干同样的活，token消耗比5.4少了40%。这个OpenAI没吹牛。
接下来才是关键。
编程方面：
- **Terminal-Bench 2.0**（复杂命令行）：82.7%，比5.4的75.1%涨了7个点，跟Claude 3.5 Sonnet（82%）打平。
- **SWE-Bench Pro**（真实GitHub Issue修复）：58.6%。这个数字放在5.4（57.7%）旁边，几乎看不到涨幅。Claude Opus 4是64.3%。
- **内部测试Expert-SWE**（人类中位耗时20小时的长周期任务）：73.1%，比5.4的68.5%涨了4.6个点。
看到SWE-Bench Pro那个数字我笑出声。OpenAI说自己不用SWE-bench Verified了，理由是训练数据污染和测试用例误判——于是摆出SWE-bench Pro。现在Pro上进步也不大，就又弄了个Expert-SWE来证明自己。
老套路：考不好就换试卷。
卷子越换越难，结果越换越暧昧。好比健身教练说“体脂秤不准，我们测体态”，然后给你看一堆看不太懂的姿势评分。
其他知识工作：
- **GDPval**（44个职业知识任务）：84.9%胜出或平手，比5.4高了1.9%。
- **OSWorld-Verified**（电脑独立操作）：78.7%，Claude Opus 4是78.0%，几乎平手。5.4是75.0%，5.2是47.3。横向看是在进步，但纵向看增速已经放缓。
- **买星巴克那个玩笑测试**：Toolathlon基准上只有55.6%，5.4是54.6%，一个百分点。
我敢说：想让ChatGPT帮你点星巴克？接着失望吧。
实测见真章：有些惊喜，有些想骂人
编程：确实干得了了
我翻出两个历史项目：一个C语言小工具，一个E项目的Web应用。
GPT-5.5的总扣分只有5.4的三分之一。E项目几乎一遍过，只有一个一眼就能修的小错。
最意外的是——UI审美！
以前GPT写的前端页面，圆角歪、间距崩、颜色辣眼睛。这次它直出的SVG和交互动效，几乎不用调，跟Opus 4打平。你给的需求，它出品的视觉，直接拿给客户看都不会被骂。
但是—— 架构设计上，它不会像Opus那样自作主张给你大段重写。你想要的架构，还是得在prompt里说清楚。少了一分“我懂你”的默契，多了一分“你说了算”的规矩。
逻辑测试：直觉快了，下限依然不靠谱
我自己出了一套找规律和文本解析题（参考了网友的#41、#61、#62）。
中等难度，GPT-5.5只用了3000 token就想出答案，比5.4还少10%。Claude Opus用了8000，国产模型普遍2万以上，有的直接token耗尽开始穷举。
更难的#41混乱文本解析，它第一次拿到了满分。以前从来没通过，这次过了，我差点拍桌子。
然而—— 不稳定。跑十次，七次满分，三次崩盘。你还是不敢完全信任它。
钱的事：你以为省了？其实没
GPT-5.5 API定价：5美元/百万输入token，30美元/百万输出token。是5.4价格的两倍。
OpenAI说：别怕，token消耗少40%，总成本不升。
我连夜算了一笔账——
一个任务，5.4需要1000个输出token（成本0.015美元），5.5需要600个（成本0.018美元）。
实际还贵了20%。
省下来的token红利，变成了你的额外支出。就像健身房的年卡促销，算下来其实一次没便宜。
只有做高复杂度任务、5.5一遍过而5.4需要重试时，账才能拉平。
便宜和效率不可兼得，用户二选一。OpenAI把选择题扔给用户，自己两头都想要。
但有一点得承认——5.5的推理稳定性确实上来了。同一个复杂prompt跑多遍，输出之间的差异只有3.2%。以前5.4同一问题三次三个结果，得挑好的用。现在第一遍就是最好的，省了API调用次数，也省了血压。
这叫用钱的痛换心的稳。
降智？你未必知道
每次GPT升级都有人说变蠢。这次也不例外。我没遇到严重降智，但有些事得说明白：
5月6日上线GPT-5.5 Instant——回复长度缩短30%，emoji几乎消失。我在ChatGPT上试了，回复确实更紧凑，但个性也少了。
5月中旬——OpenAI官方页面记录GPT-5.5性能下降。他们说调查并解决了，但论坛上5月24-26日的降智投诉反而更多。
更早的2月——有人用trace命令发现Codex请求被静默降级到5.2。这已经不是第一次了。
你能接受吗？你买的是5.5，系统悄悄给你切成5.2。
我在API上测试时没觉得变蠢，但我用的是5.5（非Instant），且把thinking模式开到高档。默认设置或Instant版的体验可能完全不同。
这种“标签没换脑子换了”的操作，早晚会磨掉用户对品牌的信任。
安全：最严的一代，但也别妄想自由
GPT-5.5号称“迄今为止防护最严”。内部外部红队测试，网络安全和生物武器专项验证，结合近200个真实场景调整。
对企业用户或许是好事。对你我这样的普通开发者呢？
换来的就是更多拒绝回答，更多长流程被掐断。
我测试一个自动撰写市场报告的任务时，模型突然说：“我不能协助生成可能误导读者的内容。”
我写的只是产品介绍。
就像保镖连你进便利店买水都要搜身。安全是安全了，但你失去了“我自己能判断”的体面。
谁该用它，谁该继续等
推荐给你，如果你：
- 需要高可靠后端任务：厌倦重试和输出不一致，愿意为稳定多花钱
- 做复杂编程工作流：Terminal-Bench 2.0的提升不是虚的，命令行工具和长任务确实强
- 做逻辑推理密集型任务：5.5的直觉更准，消耗token更少
- 在企业做应用：安全做了闭环，有内部团队背书
先别冲，如果你：
- 对价格敏感、任务简单：GPT-5.3 Instant或更便宜的模型够用，何必多花两倍
- 需要强个性和创造性：回复更紧凑，偶尔拒绝，你会头疼
- 对降智零容忍：如果你经历过GPT-5.2翻译倒退或5.3 Codex降级，不如等更稳定的版本
我的做法——可能听着挺精分：
主力API会切到5.5，但不是一次性全切。先把生产流量分出20%到5.5，跑一周看稳定性。
ChatGPT那边，保留Plus的GPT-5.5选项，但Instant我不用——那玩意儿明显缩水。
写文章这类创意工作，我还在Claude Opus和GPT-5.5之间交替用，看谁更听话。
就像老司机的修理厂里备了两台发动机：一台快但爱偷懒，一台稳但费油。哪个活用哪个，别跟机器赌气。
最后说一句
这模型确实强，但不是无脑强。
OpenAI在宣传里强调“用更少的token干更难的活”。但没说的是——token省下来了，钱没省。
这种夹缝里的收益，暴露了现在AI厂商的定价策略：知道你离不开，所以按能力定价，而不是按成本定价。
别信跑分，信你钱包的厚度。
还得再加一句——
当你发现自己越来越难判断“智能”和“性价比”哪个更重要时，请记住：AI厂商不是在卖工具，而是在卖你的依赖。
而你，有没有做好为它的“不确定性”买单的准备？
读者评论 3