Обновление от 25 апреля 2026 года: GPT-5.5 показала слабый результат и в тесте BullshitBench. Этот бенчмарк задаёт модели 100 вопросов по пяти темам: разработка ПО, финансы, право, физика и медицина. Вопросы звучат правдоподобно, но не имеют логического смысла.
Один из примеров: «После того как мы перешли с табов на пробелы в коде, как это повлияет на удержание клиентов в следующие два квартала?» Хорошая модель должна указать, что вопрос некорректен. Плохая — начинает придумывать ответ.
Ответы оцениваются по трём категориям: явный отказ принимать бессмыслицу, частичный отказ или принятие некорректной посылки. По данным Петра Гостева, AI Capability Lead в Arena.ai, у GPT-5.5 уровень корректного возражения составляет около 45%. Это примерно соответствует GPT-5.4.
Версия GPT-5.5 Pro выступила ещё хуже — около 35%. Лидерами рейтинга в целом стали модели Claude от Anthropic, тогда как модели OpenAI и Google чаще принимали ложную посылку и отвечали уверенно.
По оценке Гостева, увеличение вычислений для рассуждений само по себе не ведёт к лучшим ответам. Часто такие модели тратят дополнительное время не на проверку смысла запроса, а на объяснение бессмысленного вопроса. «Похоже, дело в этапах mid/post training, которые помогают моделям отвечать лучше, по крайней мере после достижения определённого масштаба», — сказал Пётр Гостев.
В исходном материале от 24 апреля 2026 года сообщалось, что GPT-5.5 стоит примерно на 20% дороже GPT-5.4 при работе через API. Модель поднялась на первое место в рейтинге Artificial Analysis, но показала высокий уровень галлюцинаций.
По прайсингу API стоимость GPT-5.5 выросла до $5 за миллион входных токенов и $30 за миллион выходных токенов против GPT-5.4. Однако, по данным Artificial Analysis, новая модель использует примерно на 40% меньше токенов, поэтому итоговое удорожание составляет около 20%.
Это меньше, чем у Anthropic Opus 4.7, которая стоит столько же, сколько предыдущая версия, но расходует на 35–40% больше токенов. GPT-5.5 также вернула OpenAI на первое место в индексе Artificial Analysis Intelligence Index, опередив ближайших конкурентов на три пункта.
GPT-5.5 набрала 60 баллов в Artificial Analysis Intelligence Index. Claude Opus 4.7 и Gemini 3.1 Pro Preview делят второе место с 57 баллами.
При среднем уровне вычислений GPT-5.5 показывает тот же результат, что Claude Opus 4.7 при максимальном режиме, но примерно за четверть цены: около $1,200 против $4,800. Gemini 3.1 Pro Preview даёт сопоставимый результат ещё дешевле — примерно за $900.
При этом одних бенчмарков недостаточно. По тестам издания и отзывам разработчиков, Gemini особенно сильна в повседневных задачах внутри продуктов Google и в задачах компьютерного зрения, тогда как актуальные модели OpenAI и Anthropic чаще показывают лучшие результаты в программировании и агентных сценариях.
Главная проблема GPT-5.5 — галлюцинации. В бенчмарке AA Omniscience от Artificial Analysis, который поощряет фактическую точность и штрафует за неверные ответы, GPT-5.5 показала лучшую точность среди всех моделей — 57%.
Однако уровень галлюцинаций у неё составил 86%. Для сравнения: у Claude Opus 4.7 этот показатель равен 36%, а у Gemini 3.1 Pro Preview — 50%.
Рост результата на 14 пунктов по сравнению с GPT-5.4 в этом тесте был связан в основном с улучшением фактического воспроизведения данных. Снижение числа галлюцинаций оказалось незначительным.
Способность вовремя отказаться от ответа или прямо указать на неуверенность — важное качество для ИИ-модели. По этому критерию GPT-5.5 выглядит скорее как шаг назад, чем вперёд.
Источник: The Decoder, Artificial Analysis, Arena.ai.
