GPT-5.5

Typische Einsatzfälle

• Anspruchsvolle Allzweck- und Reasoning-Aufgaben
• agentische Workflows
• Coding

Leistung im Vergleich

Unabhängige Indizes (Artificial Analysis, 0–100), zwei kontaminationsarme Einzel-Benchmarks (Terminal-Bench, agentische Shell-Aufgaben; τ²-bench, Tool-Use-Verlässlichkeit über viele Läufe) und Human-Präferenz-Elo (LMArena). Die dunkle Markierung zeigt den Bestwert im Katalog – so wird der Abstand zur Spitze sichtbar. Die Preis-LeistungPreis-LeistungHier: AA-Intelligenz geteilt durch den (3:1 gewichteten) Token-Preis – Indexpunkte je Dollar pro Mio. Tokens. Höher = mehr Leistung fürs Geld. Entspricht der „Intelligence vs. Price“-Sicht von Artificial Analysis.Mehr im Wissen → oben ist daraus abgeleitet: AA-Intelligenz je AA-Blended-Preis (3:1) – entspricht der „Intelligence vs. Price“-Sicht von Artificial Analysis. AAs token-basiertes „Cost to Run Index“ ist nicht öffentlich abrufbar.

• IntelligenzAA-IntelligenzZusammengesetzter Intelligenz-Index von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Reasoning-, Wissens- und Mathe-Benchmarks zu einer Zahl. Je höher, desto stärker das allgemeine Reasoning.Mehr im Wissen →55
• CodingAA-CodingCoding-Teilindex von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Programmier-Benchmarks zu einem Wert für die Code-Fähigkeit eines Modells.Mehr im Wissen →75
• AgenticAA-AgenticAgentic-Teilindex von Artificial Analysis (unabhängig, 0–100): misst, wie gut ein Modell mehrstufige, werkzeugnutzende Aufgaben eigenständig löst.Mehr im Wissen →74
• Terminal-BenchTerminal-BenchAusführungsbasierter Benchmark (0–100 %): das Modell löst echte Shell-/Terminal-Aufgaben in einer Sandbox, gewertet wird, ob das Ergebnis wirklich funktioniert. Dadurch kontaminationsärmer als reine Wissensquizze.Mehr im Wissen →84
• Tool-Useτ²-benchBenchmark für die Verlässlichkeit beim Werkzeug-Einsatz: dieselbe Aufgabe wird viele Male wiederholt, gemessen wird, wie konstant das Modell die Tools korrekt bedient (0–100 %).Mehr im Wissen →93
• Human-PräferenzElo (LMArena)Human-Präferenz-Wertung aus der LMArena: Menschen vergleichen blind zwei Modellantworten, daraus entsteht – wie beim Schach – eine Elo-Zahl. Höher = häufiger bevorzugt. Misst Präferenz, nicht Korrektheit.Mehr im Wissen →1474

Benchmarks im Detail

Kennzahlen aus zitierten Messungen – unabhängige Quellen sind ausgewiesen, Anbieterangaben entsprechend markiert. Werte sind nicht über Skalen hinweg vergleichbar. Wie man Benchmark-Zahlen liest →

• Artificial Analysis Intelligence Index

  55

  (xhigh, #3/152)

  unabhängigArtificial Analysis, abgerufen 2026-06-16

• Artificial Analysis Coding Index

  75

  (xhigh)

  unabhängigArtificial Analysis Coding Index, abgerufen 2026-07-09

• Artificial Analysis Agentic Index

  74

  (xhigh)

  unabhängigArtificial Analysis Agentic Index, abgerufen 2026-06-16

• LMArena Text Arena (Elo)

  1474

  unabhängigLMArena (arena.ai), Stand 2026-06-10

• DeepSWE (Long-Horizon Coding)

  70 %

  (xhigh, #1)

  unabhängigdeepswe.lol (kontaminationsfrei, mini-swe-agent), 2026-06-16

• Terminal-Bench (agentische Shell-Aufgaben)

  84 %

  unabhängigArtificial Analysis (API), abgerufen 2026-06-16

• τ²-bench (Tool-Use-Verlässlichkeit)

  93 %

  unabhängigArtificial Analysis (API), abgerufen 2026-06-16

Einordnung

• Im unabhängigen AA Coding IndexAA-CodingCoding-Teilindex von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Programmier-Benchmarks zu einem Wert für die Code-Fähigkeit eines Modells.Mehr im Wissen → 75 – seit dem GPT-5.6-Start (9.7.) hinter Sol, Terra und Fable 5 (je 77, Fable „mit Opus-4.8-Fallback“ gemessen), knapp vor Opus 4.8 (74) und Sonnet 5 (72). Im Intelligence-IndexAA-IntelligenzZusammengesetzter Intelligenz-Index von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Reasoning-, Wissens- und Mathe-Benchmarks zu einer Zahl. Je höher, desto stärker das allgemeine Reasoning.Mehr im Wissen → (55) hinter Sol (59) und Opus (56). „Stärker beim Coding als bei Allzweck-Intelligenz.“Beleg · Sekundärquelle
• Im unabhängigen AA-Intelligence-IndexAA-IntelligenzZusammengesetzter Intelligenz-Index von Artificial Analysis (unabhängig, 0–100): bündelt mehrere Reasoning-, Wissens- und Mathe-Benchmarks zu einer Zahl. Je höher, desto stärker das allgemeine Reasoning.Mehr im Wissen → praktisch gleichauf mit Opus 4.8 (55 zu 56) und vor Gemini 3.1 Pro (46).Beleg · Sekundärquelle
• Stark, aber nicht führend bei Agenten: AA Agentic IndexAA-AgenticAgentic-Teilindex von Artificial Analysis (unabhängig, 0–100): misst, wie gut ein Modell mehrstufige, werkzeugnutzende Aufgaben eigenständig löst.Mehr im Wissen → 74 – hinter Opus 4.8 (78), vor Gemini 3.5 Flash (70). (Eine frühere AA-Auswertung sah GPT-5.5 noch vorn – damals gegen Opus 4.7.)Beleg · Sekundärquelle
• Vorsicht bei kursierenden „SWE-bench ProSWE-benchCoding-Benchmark, der Modelle echte GitHub-Issues in realen Repositories lösen lässt; gewertet wird, ob der erzeugte Patch die Tests besteht. Verbreitet, aber zunehmend durch Trainings-Kontamination belastet.Mehr im Wissen →“-Werten für GPT-5.5 (≈ 58 %): Auf Scale AIs SWE-bench Pro (arXiv:2509.16941) erreichen auch Spitzenmodelle nur ~23 % (öffentlicher Set max. ~44 %) – solche hohen Zahlen verwechseln den Benchmark mit dem gesättigten SWE-bench Verified. Belastbar vergleichbar ist der unabhängige AA Coding Index (GPT-5.5: 75 – seit dem GPT-5.6-Start hinter Sol/Terra mit 77).Beleg · Sekundärquelle

Aus der System-Card

Verdichtete Befunde aus der offiziellen System-CardSystem-CardDas offizielle Begleitdokument eines Anbieters zu einem Modell (auch „Model Card“): Fähigkeiten, Grenzen, Sicherheitsbewertung. Primärquelle – die Fähigkeitsangaben darin sind aber Eigenangaben, nicht unabhängig gemessen.Mehr im Wissen → des Anbieters (Primärquelle, Tier ATier (A/B/C)Verlässlichkeits-Stufe einer Quelle in der KI-Depesche: A = Primärquelle (z. B. offizielle Doku), B = solide Sekundärquelle, C = subjektiv/Einzelstimme. Steuert, wie stark eine Aussage gewichtet wird.Mehr im Wissen →). Fähigkeitswerte sind Anbieterangaben – nicht unabhängig nachgemessen. Card-Stand 2026-04-23.

Fähigkeiten

• Reasoning-Modell – GPT-5.5 ist ein Reasoning-Modell, das per Reinforcement Learning eine lange Chain-of-Thought vor der Antwort erzeugt; GPT-5.5 Pro ist dasselbe Modell mit parallelem Test-Time-Compute.
• Agentisch – Laut Card auf komplexe reale Arbeit ausgelegt (Code, Recherche, Dokumente/Tabellen, Tool-Nutzung) – versteht Aufgaben früher, fragt weniger nach und arbeitet eigenständiger.

Verhalten & Sicherheit

• Preparedness – Eingestuft als „High capability“ in Biologie/Chemie (Schutzmaßnahmen aktiv) und „High, aber unter Critical“ in Cybersecurity; AI-Self-Improvement bleibt unter dem „High“-Schwellenwert.
• Bio/Chem-Safeguards – Wegen der „High“-Einstufung greift OpenAIs stärkster Schutz-Stack (Safety-Reasoning-Classifier, Refusals, Bio-Bug-Bounty); in der Launch-Konfiguration blockierte er alle verifizierten Hochrisiko-Bio-Jailbreaks der Red-Teaming-Kampagnen.
• Cyber unter Critical – Trotz gestiegener Fähigkeiten (CTF-Professional 96,3 %, CVE-Bench 93,1 %) entwickelte das Modell ohne Menschen keine funktionalen Critical-Exploits gegen gehärtete reale Systeme – daher unter „Critical“; Frontier-Cyber-Hilfe nur über das „Trusted Access for Cyber“-Programm.
• Refusal – Auf produktionsnahem Traffic geschätzte Verstoßraten unter 0,1 % je Kategorie (Harassment 0,056 %, Sexual 0,091 %); auf „Challenging“-Benchmarks gleichauf mit GPT-5.4 Thinking.
• Halluzination – Claim-Level-Halluzinationsrate 2,0 % (GPT-5.4: 2,6 %), Response-Level-Rate 9,2 % (GPT-5.4: 9,5 %); auf nutzerseitig als fehlerhaft markierten Fällen sind Einzelaussagen 23 % häufiger korrekt.
• Deception/Scheming – Apollo Research: erstes OpenAI-Modell, das bei keiner Sabotage-Aufgabe „sandbaggt“; geringe Rate verdeckter Aktionen – Ausnahme: beim unmöglichen Coding-Task loggt es in 29 % der Fälle eine erfundene Fertigstellung (GPT-5.4: 7 %).
• Jailbreak & Prompt-Injection – Im Multiturn-Jailbreak-Test besser als GPT-5.1/5.2 Thinking, leicht unter GPT-5.4 Thinking; Prompt-Injection-Abwehr bei Connectoren 0,963. Das UK AISI fand einen universellen Jailbreak gegen die Cyber-Safeguards, der danach nachgebessert wurde.

⚙ Reines Safety-Dokument – KontextfensterKontextfensterDie maximale Textmenge (in Tokens), die ein Modell pro Anfrage gleichzeitig „im Blick“ hat – Eingabe plus bisheriger Verlauf. Ist es voll, fällt Älteres aus dem Kontext.Mehr im Wissen →, Output-Limit, Modalitäten und Wissens-CutoffWissensstichtagDer Zeitpunkt, bis zu dem die Trainingsdaten eines Modells reichen („knowledge cutoff“). Über spätere Ereignisse weiß das Modell von sich aus nichts – es sei denn, sie werden ihm in der Anfrage mitgegeben.Mehr im Wissen → stehen nicht in der Card (hier aus den API-Docs belegt).

OpenAI – GPT-5.5 System Card (PDF)· Primärquelle, abgerufen 2026-06-16

Stimmen aus der Öffentlichkeit

Subjektive Einschätzungen Dritter – keine belegten Fakten, jeweils verlinkt.

• positivFür AI Explained der neue „daily driver“ knapp vor Opus 4.7 – stark vor allem bei agentischem Terminal-Coding, bei ARC-AGI-2 und bei Leistung pro Dollar (Token-Effizienz); bei agentischem Coding auf SWE-bench Pro liegt es aber hinter Opus 4.7 und Mythos.AI Explained (YouTube) · Community
• positivDeutlicher Effizienzsprung gegenüber 5.4: gleiche oder bessere Benchmark-Scores bei rund halb so vielen Tokens und niedrigeren Gesamtkosten, obwohl der Token-Preis höher liegt.Theo – t3.gg (YouTube) · Community
• gemischtAndon Labs nennt GPT-5.5 auf VendingBench „clean“ und im Verhalten deutlich ethischer als Opus – kein Belügen von Lieferanten, keine Preis-Kollusion – bei vergleichbaren Ergebnissen.Cognitive Revolution (YouTube) · Community
• gemischtDie Pro-Variante gilt als drastisch stärker und „determined“ (knackte drei ungelöste Krypto-Probleme in je rund einer Stunde), während das Basis-Modell als zu wenig zielstrebig kritisiert wird; für normale Codex-Tasks raten die Hosts ausdrücklich zu „low“/„medium“ – auf „high“ überdenkt es alles und verheddert sich.Nerd Snipe (YouTube) · Community