OpenAIは4月24日、生成AIモデル「GPT-5.5」をChatGPTとCodexで公開しました。日本時間では同日3時06分の発表で、Plus、Pro、Business、Enterpriseの各ユーザーに即時ロールアウトしています。複雑な目標の理解からツール操作、自己チェック、タスク完遂までを強化したモデルで、主要ベンチマークの一部ではAnthropicのClaude Opus 4.7を上回る成績を示しました。
単に文章を生成するだけでなく、複数段階の作業を自律的に進める能力を前面に出した点が特徴です。公開時点で示された説明では、コードの作成やデバッグ、オンライン調査、データ分析といった実務寄りの作業で改善が大きいとしています。ChatGPTやCodexの利用者にとっては、質問に答えるAIから、作業を引き受けるAIへと役割が一段進んだ形です。
処理効率も強調されました。GPT-5.4と同等のレイテンシーを保ちながら、各評価で性能を高め、Codex関連タスクではトークン使用量も削減したとしています。応答の速さを落とさず、より少ない計算資源で長い作業をこなせる設計は、業務利用時の待ち時間やコスト感に直結します。
ベンチマークで差が出た項目
| GPT-5.5 | GPT-5.4 | GPT-5.5 Pro | GPT-5.4 Pro | Claude Opus 4.7 | Gemini 3.1 Pro | |
|---|---|---|---|---|---|---|
| Terminal-Bench 2.0 | 82.7% | 75.1% | – | – | 69.4% | 68.5% |
| Expert-SWE (Internal) | 73.1% | 68.5% | – | – | – | – |
| GDPval (wins or ties) | 84.9% | 83.0% | 82.3% | 82.0% | 80.3% | 67.3% |
| OSWorld-Verified | 78.7% | 75.0% | – | – | 78.0% | – |
| Toolathlon | 55.6% | 54.6% | – | – | – | 48.8% |
| BrowseComp | 84.4% | 82.7% | 90.1% | 89.3% | 79.3% | 85.9% |
| FrontierMath Tier 1–3 | 51.7% | 47.6% | 52.4% | 50.0% | 43.8% | 36.9% |
| FrontierMath Tier 4 | 35.4% | 27.1% | 39.6% | 38.0% | 22.9% | 16.7% |
| CyberGym | 81.8% | 79.0% | – | – | 73.1% | – |
比較材料として注目されているのが、エージェント性能を測るベンチマークです。
Terminal-Bench 2.0ではGPT-5.5が82.7％を記録し、Claude Opus 4.7の69.4％を上回りました。端末操作を伴う複雑なタスクで差が開いた格好です。
ソフトウェア開発寄りのExpert-SWEでは73.1％、OS操作を含むOSWorld-Verifiedでは78.7％となり、Claude Opus 4.7の78.0％をわずかに上回りました。OpenAIが公開した比較画像でも、GPT-5.5は複数指標でClaude Opus 4.7やGemini 3.1 Proを上回る配置になっています。
一方で、すべての評価で優位というわけではありません。SWE-Bench ProではGPT-5.5が58.6％、Claude Opus 4.7が64.3％で、コード修正の一部評価ではClaude側がリードしました。モデルの強みが完全に一本化されたわけではなく、用途ごとの選別は引き続き必要です。
