GPT-5.5

GPT 5.5 等模型能力提升并非突变，而是模型可靠性跨过关键阈值的结果。强化学习、后训练优化及评估体系演进推动了 AI 实用化进程。

OpenAI引入了GPT-Rosalind的新能力，旨在为生命科学研究提供企业级支持。该模型结合了GPT-5.5的生成文本和代码的能力，以及在药物发现核心领域（如药物化学和基因组学）的更强模型智能。GPT-Rosalind在生物学专家、复杂药物化学查询、定量生物学和湿实验流程中表现出色。

MiniMax M3是国内首个同时具备长上下文、多模态与Coding能力的开源模型，实测在SWE-Bench Pro上跑出59%成绩，超越GPT-5.5和Gemini 3.1 Pro，效率达上代1/20。

OpenAI 的 GPT-5.5、GPT-5.4 和 Codex 现已在 Amazon Bedrock 全面上线，支持生产环境部署，定价与 OpenAI 官方一致，并继承 AWS 安全与治理框架。

Deep Suite 是一个软件工程基准测试，旨在提供比现有公共基准测试更准确的模型评估。它具有四个主要优势：无污染任务、高多样性、现实世界复杂性和可靠的验证。根据 Deep Suite 的测试，GPT 5.5 在性能上优于 Opus 4.7。

文章认为 Anthropic 和 OpenAI 已经找到了产品市场契合点，通过提高 API 价格锁定企业客户。

Every公司的CEO Dan Shipper分享了AI工具在实际工作中的应用，揭示了AI越强反而使人更忙的现象，并预测未来工作方式将向公司级和工作操作系统方向发展。

GPT-5.5 被低估了其在网络安全领域的强大能力，成功发现了一个27年的远程代码执行漏洞。

Warp 使用 GPT-5.5 推动开源软件开发，通过 Open Agentic Development 模型，人类定义目标，AI 代理执行任务，提高开发效率和代码质量。

Anthropic和OpenAI通过调整定价策略，表明它们已经找到了产品市场契合点，企业客户现在按API价格付费，而非之前的折扣价。

ITBench-AA 是一个针对企业级自动化 IT 任务的新基准测试，首次评估前沿模型在 Site Reliability Engineering 任务中的表现，结果显示所有前沿模型得分低于 50%，其中 Claude Opus 4.7 表现最佳，为 47%。

GPT-5.5 是一个独特的优秀编程模型，作者 Theo 表示已经对其产生了深厚的喜爱，并认为无法再使用其他模型进行代码编写。

GPT-5.5 在复杂代理工作方面的表现有了显著提升，优于 Opus 4.7，显示出 OpenAI 的强劲竞争力。

Anthropic发布Claude Opus 4.8，但多位专家指出其与4.7几乎无差异，已进入类似iPhone的‘渐进式升级’时代；Deep Suite实测显示GPT 5.5在编码任务中以更低成本获得更高得分，OpenAI Codex更新未公开但显著增强。

开源模型MiniMax M3已达到与GPT-5.5和Opus 4.7相当的性能，尤其在编码任务上优于Gemini 3.1 Pro，且成本仅为它们的1/10，其权重将于下周在Hugging Face开放。

OpenAI 的 GPT-5.5、GPT-5.4 和 Codex 模型现已通过 Amazon Bedrock 正式上线，支持自动扩展和下一代推理引擎，助力企业构建多步骤自主代理系统。

Cursor 的 $10K 信用额度到期后，用户反馈其 Agent Window 模式几乎完全替代传统 IDE，GPT-5.5 和 Composer 2.5 在不同场景下表现优异，尤其 Fast 模式响应快且擅长生成流程图，但输出默认非 Markdown 且不支持直接复制为 Markdown，影响使用效率。

GPT-5.5 在复杂构建任务中显著提升规划能力，用户一次性成功率达31%，遗忘率降低22%，使非技术用户可专注目标而非代码。

使用 Coding Agent 开发新功能时，重点在于规划阶段，通过多个模型生成计划并选择最佳方案，确保后续开发顺利进行。

阿里推出Qwen-3.7-Max模型，在成本和性能上显著优于GPT-5.5和Opus 4.7，支持与Hermes Agent或OpenCode集成。

GPT-Rosalind重大升级整合GPT-5.5智能体编码与工具调用能力，显著提升药物发现、分析及实验工作流的企业级AI应用效能。

Google 在 I/O 大会上发布了 Gemini 3.5 Flash 模型，主打速度优势并强化免费体验，成为用户从 ChatGPT 或 Claude 转移的潜在理由。

尹希以学术休假身份加入OpenAI，推动AI与理论物理交叉研究，称AI可复制人类智力极限，加速科研百倍。

文章质疑SWEbench基准测试的可信度，指出GPT-5.5在DeepSuite中表现远超Claude Opus 4.7，但SWEbench结果却显示相反，表明该测试可能已失效。

Anthropic 推出 Claude Opus 4.8，在多轮评估中表现‘小幅提升但非主导’，尤其在文档解析准确性上退步；平台新增中途系统指令支持，但 API 定价仍受诟病；Hugging Face 揭示多轮 RL 训练中因 re-tokenization 导致梯度失效的隐蔽问题。

DeepSeek-V4 Pro因高性价比被用于review与写作任务，替代高价Qwen-Max；主力排序为GPT-5.5 > Claude 4.7 > DeepSeek-V4 Pro。

DeepSWE 评测显示 Opus 4.8 性能优于 4.7，成本更低、效率更高，但远逊于 GPT-5.5；作者仍用更便宜的 4.6，因价格优势；并质疑 Benchmark 可信度，更信真实用户反馈。

SWEbench 基准测试已失效，GPT 5.5 在 Deep Suite 上以 70% 准确率领先 Opus 4.7 的 54%，而 SWEbench 显示相反趋势，表明基准不可靠。

Codex Windows端上线Computer Use功能，Copilot转为token计费，GPT5.5涨价。

GPT-5.5（虚构版本）错误地将数字11归类为‘偶数行窗口’，暴露了模型在基础数学与术语理解上的严重缺陷。