Första helt omtränade basmodellen sedan GPT-4.5 — byggd för agentiskt arbete, med 1M token kontext och fördubblat API-pris.
Inspirerad av analys från digitalstrategy-ai.com och OpenAIs lanseringsdata (april 2026).
Första helt omtränade basmodellen sedan GPT-4.5 — inte en post-training-iteration.
Byggd för agenter: Terminal-Bench 2.0 82.7% (+13 p mot Claude Opus 4.7).
1 miljon tokens kontextfönster i API:t — OpenAIs första.
API-pris fördubblat: $5 / $30 per 1M tokens (input/output).
GPT-5.5 Pro-variant leder BrowseComp (90.1%) och FrontierMath (52.4%).
Hög träffsäkerhet (57% AA-Omniscience) men 86% hallucinationsrisk när fel.
OpenAIs nya flaggskepp släpptes 23 april 2026. Till skillnad från 5.1–5.4 (post-training-iterationer på samma bas) är 5.5 helt omtränad från grunden — med agentiska mål inbakade i förträningen istället för bara fintunade ovanpå.
Helt omtränad basmodell — ny arkitektur och förträning.
1M token kontextfönster (API).
Matchar GPT-5.4:s latens per token.
~40% färre output-tokens på jämförbara Codex-uppgifter.
Effort-reglage: non-reasoning, low, medium, high, xhigh.
GPT-5.5 vs Claude Opus 4.7 vs Gemini 3.1 Pro (högre = bättre)
Källa: OpenAIs lanseringsdata. Konkurrenters siffror är inte oberoende verifierade — kör egen eval innan produktion.
Föregående
Input / 1M tokens: $2.50
Output / 1M tokens: $15.00
Kontext: 400K
Ny
Input / 1M tokens: $5.00
Output / 1M tokens: $30.00
Kontext: 1M
Den största prisökningen i hela 5.x-serien. Råa tokens kostar ~2× mer.
~40% färre output-tokens på Codex-uppgifter — netto ~+20%. Varierar per workload.
GPT-5.5 matchar Opus 4.7 till ~1/4 av kostnaden i vissa workloads. Effort-reglaget > listpriset.
| GPT-5.5 | Claude Opus 4.7 | Gemini 3.1 Pro | |
|---|---|---|---|
| Positionering | Agentiskt arbete & datoranvändning | Hård kodning & långa körningar | Multimodalt & Google-stack |
| Input / 1M tokens | $5.00 | $5.00 | ~$1.25–$5.00 |
| Output / 1M tokens | $30.00 | $25.00 | ~$10–$15 |
| Kontextfönster | 1M tokens | 1M tokens | 1M+ tokens |
| Terminal-Bench 2.0 | 82.7% | 69.4% | 68.5% |
| SWE-Bench Pro | 58.6% | 64.3% | — |
| Hallucinationsrisk* | 86% | 36% | 50% |
| Bäst för | Agenter, computer-use, research, finansmodellering | Produktionskod, code review, reglerade branscher | Multimodalt, Google Cloud, kostnadskänsligt |
*AA-Omniscience hallucinationsrisk när modellen ger fel svar. Lägre = bättre.
Default "Thinking"-varianten i ChatGPT — ersätter GPT-5.4.
Använd för agentisk kodning, research, datapipelines, computer-use och allt vardagsarbete där du vill överlämna en uppgift och komma tillbaka.
Pro/Business/Enterprise. ~6× kostnaden för 2–5 p extra träffsäkerhet.
För juridisk analys, djup webbresearch där citat måste stämma, matematiska bevis och vetenskaplig syntes. Inte för vanlig kodning.
Mät tokens på din egen workload innan du migrerar — prisökningen varierar wildly.
Använd "effort"-reglaget: medium räcker oftast, spara high/xhigh till hårda uppgifter.
För kodgranskning och produktions-PR: överväg Claude Opus 4.7 (lägre hallucination, högre SWE-Bench Pro).
För långa agentkedjor (research, datapipelines, computer-use): GPT-5.5 är state-of-the-art.
Använd GPT-5.5 Pro endast för få högvärdes-uppgifter per vecka — ~6× kostnaden.
Bygg en multi-model stack: 5.5 för agenter, Opus för kod, Sonnet/Gemini för volym.
Verifiera alltid citat i Pro-läget — hög träffsäkerhet betyder inte noll hallucination.
Utnyttja 1M-kontexten för långa kodbaser och dokumentbuntar — men håll prompten strukturerad.
Varning: GPT-5.5 har högsta uppmätta träffsäkerheten på AA-Omniscience (57%) men hallucinerar i 86% av de fall där svaret är fel. Verifiera alltid kritiska påståenden.
Utnyttja Terminal-Bench-ledarskapet — låt modellen planera, köra och verifiera.
Du är en autonom kodningsagent (GPT-5.5, effort=high). Uppgift: [beskriv mål] Repo-kontext: [länk eller paste] Genomför: 1. Planera stegen som en checklista (max 7 steg). 2. För varje steg: föreslå kommandot, kör det mentalt, beskriv förväntad output. 3. Identifiera failure modes innan du ändrar kod. 4. Skriv minimala diffar — inga onödiga refaktoreringar. 5. Avsluta med tester du skulle köra och hur du tolkar resultatet. Stanna och fråga endast om beslutet är irreversibelt.
För GPT-5.5 Pro: BrowseComp 90.1% — perfekt för research där källor måste stämma.
Roll: senior analytiker. Modell: GPT-5.5 Pro. Fråga: [din fråga] Leverera: - Sammanfattning (max 150 ord) - 5–8 nyckelpåståenden, var och ett med inline-citat [n] - Källista numrerad — endast primärkällor och rapporter, inga aggregator-bloggar - Konfidensnivå (hög/medel/låg) per påstående - Lista över saker du INTE kunde verifiera Beakta motstridiga källor explicit. Säg "okänt" hellre än att gissa.
88.5% på OpenAIs interna IB-modellering — använd 1M-kontexten för hela datarummet.
Bygg en 3-statement-modell för [bolag/scenario]. Indata: - Historiska siffror: [paste eller länkar] - Antaganden: [revenue growth, margins, capex, working capital] - Tidshorisont: 5 år Leverera: 1. P&L, balansräkning, kassaflöde med formler. 2. Sensitivitetstabell (revenue × margin). 3. DCF med WACC-härledning. 4. Tre scenarier: bear / base / bull. 5. Lista antaganden som driver >70% av värderingen. Flagga räkneoperationer du är osäker på.
78.7% OSWorld — låt 5.5 driva mus/tangentbord-flöden.
Du är en computer-use-agent. Mål: [t.ex. "ladda upp 12 fakturor till bokföringen och tagga dem"]. Skriv en handlingsplan: - Förbered miljön (vilka fönster, fliker, behörigheter) - Steg-för-steg actions (klick, tangent, vänta-på-element) - Verifieringskontroller efter varje block (vad ska du se?) - Rollback-plan om något går fel - Stop-condition (när är jobbet klart?) Undvik destruktiva åtgärder utan explicit confirmation.
Säkerställ att din användning följer EU AI Act och utforska fler guider för att bygga rätt AI-stack.