特朗普：这天下疯了
文 | AIX 财经（AIXcaijing）作者 | 王璐，编辑 | 魏佳4 月 23 日，OpenAI 宣布新一代旗舰模子 GPT-5.5，并在其官网写道，是其迄今为止最智能、最直观易用的模子，也是在盘算机上完成事情的新方法的下一步 。这一宣布迅速引刊行业关注，不但由于它号称在智能体使命上实现突破，更因其在多项基准测试中展现出的 " 统治力 " 。凭证第三方评测机构 Artificial Analysis 宣布的综合智能指数榜单，OpenAI 依附 GPT-5.5 系列在前六名中独吞四席，该机构以为，"GPT-5.5 让 OpenAI 重回 AI 领域的第一位，突破了与 Anthropic 和谷歌的三方平手 。"但与高性能一同被曝光的，尚有高幻觉率 。在 Artificial Analysis 的私有基准测试 AA-Omniscience 中，GPT-5.5 的幻觉率高达 86%，远高于 Claude Opus 4.7 的 36% 。这意味着，当这个现在 " 最智慧 " 的 AI 大脑面临不确定或未知的问题时，选择 " 坦言不知 " 的概率极低，反而更倾向于 " 自信地虚构 " 一个谜底 。而这种高幻觉率一旦放在需要高可靠性的事情场景中，很可能导致剖析误差、决议失误甚至财务损失 。最强的 AI 也是最危险的 " 说谎者 "？面临高幻觉率，GPT-5.5 事实能否在现实应用中可靠地完成重大的知识使命？为了回覆这些要害问题，我们对 GPT-5.5 举行了实测，从处置惩罚家庭账本到编写实时对战游戏，测试其应对长上下文、重大逻辑的知识事情与编程实战能力 。此次测试不但关乎一个模子的性能，更关乎 AI 手艺进入深水区后，我们怎样在拥抱其强盛能力的同时，应对其潜在危害 。01. ?知识能力：它真的像职场人一样会干活凭证官方宣布的基准测试效果，GPT-5.5 在险些所有焦点指标上都逾越了前代 GPT-5.4，在知识事情领域体现尤为突出 。在一项笼罩 44 个职业的 GDPval 测试中，GPT-5.5 取得了 84.9% 的得分，不但凌驾了 83.0% 的真实职场职员水平，也高于 Claude Opus 4.7 的 80.3% 和 Gemini 3.1 Pro 的 67.3% 。该测试模拟了金融剖析师、市场司理、软件工程师等多种白领职业的一样平常事情，要求模子完成信息整合、剖析推理、决议建议与报告天生等综合性使命 。别的，GPT-5.5 在其他多个适用场景的测试中也体现不错 。在模拟重大客服对话的测试中，无需特殊指导就能抵达 98.0% 的准确率 ；在让 AI 像真人一样操作电脑完成使命的测试中，得分 78.7% ；在需要团结图像、文字明确并挪用工具解决问题的测试中，划分拿到 83.2% 和 75.3% 的分数 。这些效果说明，GPT-5.5 正在逐步买通 " 看、说、做 " 等一系列能力 。OpenAI 还用内部的现实案例证实晰它的生产力价值 。其财务团队用它审核了 24771 份 K-1 税表、总计 71637 页文件，并称这套流程比上一年提前了两周完成 。这说明 GPT-5.5 是能够直接融入事情流程、切实提升效率的生产力工具 。这些能力在真实生涯中用起来怎么样？我们设计了一个贴近家庭的测试来验证 。我们给 GPT-5.5 多条名堂缭乱的单月开支数据，让其饰演家庭数据剖析师，完成整理数据、盘算总支出、剖析各支付方法占比、分类统计开销等使命，并最终天生一份给家人看的建议报告 。这个测试场景设计得虽然简朴，却很能看出 AI 是否真的 " 好用 " 。由于家庭记账是许多人的一样平常，但纪录经常是随手写、名堂乱，" 七零八落 " 的记账数据要求 AI 不可只会处置惩罚整齐的表格，还得能 " 看懂 " 手写式的纪录、明确每笔钱是什么意思，并把相似项目归到一起 。而算总账、剖析钱花在哪儿、给出节约建议，着实对应着一套完整的思索历程，GPT-5.5 需要先把信息理清晰，再从内里看出门道、提出可行的步伐，最终让它 " 写报告 "，则是要求它会用人能听懂、能接受的方法来汇报事情 。测试效果显示，它准确合并了 " 外卖 - 午餐 " 和 " 外卖 - 晚餐 "，并且自动提醒 " 支付宝自动扣 " 应统一计入 " 支付宝 " 统计，展现出了明确杂乱账目和用户真实意图的能力 。GPT-5.5 自主梳理表格并给出剖析在剖析中，它通过盘算占比，指出 " 网购 "（衣物、书籍）类目支出较高，且多为非急需品，因此建议为这类消耗设置预算，给出的建议详细可行 。最后天生的报告也充满人情味，那句 " 稍微管住网购的小激动，咱们家的开支就能更轻松一些 "，切合 " 给家人看 " 的相同要求，语气亲热，建议接地气 。这个简朴的测试，相当于在生涯场景中还原了上述 GDPval 测试所考察的焦点能力，现在的效果也说明它的专业能力能用到现实生涯中 。02. ?编程能力：从初级到重大，它没添乱除了在一样平常知识使命中体现可靠，在编程这类对精准性要求更高的 " 硬功夫 " 上，GPT-5.5 同样展现了不错的前进 。在一项磨练 " 智能体 " 的基准测试（Terminal-Bench 2.0）中，它拿到了 82.7% 的高分 。这个测试模拟了在下令行里执行一连串重大操作，就像让 AI 自己完成一个多办法的运维使命 。它的效果不但比自家上一代（GPT-5.4 的 75.1%）高，也显着凌驾了竞争敌手 Claude Opus 4.7（69.4%） 。这说明它在需要记着办法、自己调试、坚持完生长时间使命时，体现更好 。其次，在处置惩罚超长内容方面也有前进 。在一项针对 50 万到 100 万字符超长文本的检索测试中，它的得分抵达 74.0%，是上一代（36.6%）的两倍还多 。这意味着让它剖析一本厚书、浏览重大的代码客栈时，它更禁止易 " 看漏 " 或 " 记混 "，找信息更准、思绪也更连贯 。并且多项测试效果显示，在执行相同的编程使命时，GPT-5.5 消耗的 token 数目显著少于 GPT-5.4 。就连代码编辑器 Cursor 的团结首创人 Michael Truell 也评价说，它比上一代更智慧、更有韧性，挪用工具更可靠，面临重大恒久使命时能坚持更久 。简朴来说，在编程这类重大操作场景下，上述数听说明，GPT-5.5 不但更强，并且更稳、更省资源，适合处置惩罚那些办法多、耗时长的现实开发使命 。为了验证它真实的编程能力，我们用一个详细的开发使命举行了测试，从零最先构建并逐步升级一款连连看游戏，并硬性划定其必需使用给到的 12 种差别的 emoji 心情 。首先，我们让 GPT-5.5 天生一个完整可运行的连连看游戏 。这需要它明确开发者的文字需求、设计界面、管理游戏状态，并自主实现焦点的路径搜索算法 。效果它在几分钟之内便顺遂完成了 。GPT-5.5 天生的连连看小游戏接着，我们提高难度，要求它在游戏中加入一个 " 重绘 " 道具 。这个道具的功效是：玩家使用时，能消耗 " 连击 " 能量，把棋盘上与最后一次消除相同类型的图标所有随机刷新一次 。要实现这一点，GPT-5.5 必需做两件事，一是修改游戏背后的数据规则来支持这个新功效 ；二是确保刷新后的棋盘结构仍然是 " 有解 " 的，不会让玩家卡关 。最终，GPT-5.5 乐成写好了这部分代码 。之后，我们继续让其为游戏加入完整的用户系统，包括登录、积分纪录和排行榜展示 。这一步主要磨练的是，GPT-5.5 能否将新功效平滑地接入现有框架，同时坚持游戏原有的焦点玩法和逻辑不被破损 。它再一次顺遂完成了使命，并且在代码迭代历程中体现得相当榨取，没有举行太过重构，也没有引入不须要的转变 。GPT-5.5 执行对游戏细节的调解指令最后，我们将难度推至更高阶的实时对战模式，让两名玩家能在差别浏览器中实时竞争消除 。这其中涉及棋盘状态同步、操作冲突裁决和网络延迟处置惩罚等一系列典范的多人在线难题 。面临这样一个集成度高、实时性强的重大挑战，GPT-5.5 依然做到了准确交付 。这个从简到繁的测试批注，GPT-5.5 在真实编程使命中，既能处置惩罚重大逻辑与架构设计，也能精准响应开发者需求，且不随意重构或引入其他代码，甚至当我们要求回退到上一版本时，它也能稳固恢复到之前的状态 。03. ?高幻觉率：能用，但不敢松手只管在实测中体现惊艳，但团结果真数据来看，GPT-5.5 依然没有凌驾市场太大预期，并且保存不可忽视的危害 。来看一组比照数据 。在 Artificial Analysis 的私有基准测试 AA-Omniscience 中，GPT-5.5 的幻觉率高达 86%，而 Claude Opus 4.7 仅为 36% 。这意味着在该测试所设定的、专门探测模子知识界线的场景下，当 GPT-5.5 面临不确定的谜底时，其 " 坦言不知 " 的概率远低于敌手，更倾向于天生一个可能过失的回覆 。需要注重的是，这 86% 并不料味着模子在大大都一样平常问答中都会爆发幻觉，而是其在触及知识盲区时的特定行为倾向 。一位从业者诠释，这可能是由于 GPT-5.5 的事实知识笼罩面更强，但不确定性也更偏激进，关于不确定的问题会猜谜底 。但在将其用于需要高可靠性的使命时，这一指标仍需引起高度小心 。当 GPT-5.5 被安排到 " 自主事情 " 场景中时，这种高幻觉倾向可能会引发危害 。好比在数据剖析与报告天生使命中，它可能自信地引用不保存的数据、编造统计趋势，或基于过失事实提出决议建议，导致用户做出偏离现实的商业判断 。而在编程与调试环节，它提供的代码计划也许看起来合理，却可能无法运行，甚至潜在清静误差，大幅增添后期排查与修复的本钱 。并且，这类幻觉往往以高度自信、逻辑自洽的形式泛起 。关于缺乏相关专业配景的用户而言，这种 " 确定性 " 输出极具诱骗性，需要提高小心 。除了手艺层面的隐忧，OpenAI 此次的商业战略也显露出明确的意图：先用生态锁定用户，再用涨价收割市场 。一方面，GPT-5.5 首发时并未同步开放 API，仅限自家 ChatGPT 和 Codex 使用，起源将用户锁定在其应用生态内 。另一方面，GPT-5.5 的定价相比上一代有了显着上涨 。凭证官方宣布的数据，GPT-5.5 每处置惩罚 100 万 tokens，输入收费 5 美元，输出收费 30 美元 。而上一代的 GPT-5.4，输入和输出价钱划分为 2.5 美元和 15 美元，这意味着新一代的价钱直接翻了一倍 。若是与目今的主要竞争敌手比照，Anthropic 最强的模子 Opus 4.7 定价为每百万 tokens 输入 5 美元、输出 25 美元 �？梢钥闯�，GPT-5.5 在输入价钱上与敌手持平，但在输出价钱上则横跨 20% 。只管 OpenAI 诠释称，token 使用效率的提升可对冲价钱上涨，使用户现实本钱无显着增添，但详细性价比仍需业界进一步验证 。关于这一模子，资深 Agent 从业者赵江杰评价道，这次 GPT-5.5 的宣布并未形成断档领先，不如对社区热传的 "Spud" 模子预期的大幅提升期望那么大，但在 agentic 和 coding 能力上仍然继续坚持头部顶尖位置，agentic 能力提升的同时也在推动基模厂商提升模子迭代效率，OpenAI 的下一代突破模子（GPT-6）很可能也在路上了 。总之，对通俗用户而言，GPT-5.5 或许值得尝鲜，但不应视其为绝对可靠的工具，对企业用户来说，在将其接入焦点事情流前，则必需稳重，一旦泛起那 86% 的 " 自信过失 "，该由谁来兜底？