Przejdź do treści

News & analizy

GPT-5.5: 82,7% w Terminal-Bench i 84,9% w GDPval — jak czytać wyniki

Zaktualizowano: Autor: Andrzej Niemiec8 min czytania

GPT-5.5 osiąga 82,7% w Terminal-Bench 2.0 i 84,9% w GDPval. Wyjaśniamy, co te liczby mierzą, ile kosztuje model w API i dlaczego wynik zależy od użytego agenta.

GPT-5.5: 82,7% w Terminal-Bench i 84,9% w GDPval — jak czytać wyniki
Spis treści
  1. Co OpenAI ogłosiło 23 kwietnia 2026?
  2. Jak GPT-5.5 wypada na tle GPT-5.4, Claude Opus 4.7 i Gemini 3.1 Pro?
  3. Czy 82,7% w Terminal-Bench oznacza przełom w kodowaniu?
  4. Co naprawdę mierzy GDPval i dlaczego 84,9% nie oznacza poziomu eksperta?
  5. Ile kosztuje GPT-5.5 w API i w planach ChatGPT?
  6. Które zadania wychodzą najlepiej, a które najsłabiej?
  7. Jak czytać rozbieżności w wynikach benchmarków?
  8. GPT-5.5 czy nowszy model? Co wybrać w październiku 2026?
  9. Najczęstsze pytania
  10. Źródła

Co OpenAI ogłosiło 23 kwietnia 2026?

GPT-5.5 zadebiutował 23 kwietnia 2026 r. Model włączono tego dnia do ChatGPT i Codex w planach Plus, Pro, Business i Enterprise, a dzień później udostępniono go w API [1][2]. OpenAI opisuje go jako najinteligentniejszy model w ofercie: szybszy i bardziej wszechstronny w kodowaniu, badaniach i analizie danych [1]. Dokumentacja deweloperska podaje okno kontekstowe około 1 mln tokenów, obsługę obrazów i wywoływanie funkcji [3].

To kolejna wersja asystenta, który zadebiutował jako ChatGPT 30 listopada 2022 r. [4]. Premiera dotyczyła przede wszystkim dostępności: model trafił do istniejących planów abonamentowych, bez osobnej opłaty za wersję. Dla użytkownika w Polsce o dostępie decyduje plan, a nie dopłata za nowy model.

Jak GPT-5.5 wypada na tle GPT-5.4, Claude Opus 4.7 i Gemini 3.1 Pro?

W tabeli OpenAI GPT-5.5 wygrywa z trzema modelami w Terminal-Bench 2.0 i w GDPval. Trzeci wskaźnik, wewnętrzny Expert-SWE, firma podaje tylko dla swojego modelu, więc nie da się go zestawić z konkurencją [1]. GPT-5.4 trafił do ChatGPT 5 marca 2026 r. jako GPT-5.4 Thinking [5].

BenchmarkGPT-5.5GPT-5.4Claude Opus 4.7Gemini 3.1 Pro
Terminal-Bench 2.082,7%75,1%69,4%68,5%
GDPval (wygrane i remisy)84,9%83,0%80,3%67,3%
Expert-SWE (wewnętrzny)73,1%brak w tabelibrak w tabelibrak w tabeli

Różnica 7,6 punktu w Terminal-Bench 2.0 i 1,9 punktu w GDPval to dwie różne skale. Pierwsza dotyczy zadań agentowych w terminalu, druga porównania z pracą ekspertów. Traktowanie ich jako jednego wskaźnika poziomu inteligencji prowadzi do błędnych wniosków.

Czy 82,7% w Terminal-Bench oznacza przełom w kodowaniu?

Nie w całym kodowaniu. Terminal-Bench 2.0 mierzy wieloetapowe zadania w wierszu poleceń: planowanie, uruchamianie komend, czytanie błędów i poprawianie ich w pętli [1]. Wynik 82,7% mówi więc o pracy agenta w terminalu, a nie o jakości kodu w każdym projekcie. Szerzej o różnicach w kodowaniu piszemy w artykule GPT 5.5 vs Opus 4.7 w kodowaniu.

Wynik zależy też od harnessu, czyli warstwy, która prowadzi model. Niezależny liderboard Snorkel podaje dla GPT-5.5 na Terminal-Bench 2.1 wynik 83,1% z Codex CLI i 78,0% z Terminus 2 [6].

KonfiguracjaBenchmarkWynik
Codex CLITerminal-Bench 2.183,1%
Terminus 2Terminal-Bench 2.178,0%

Ta różnica 5,1 punktu pokazuje, że ten sam model w innym agencie wypada inaczej. Przy porównywaniu modeli trzeba więc sprawdzać, z jakim harnessem i na jakiej wersji benchmarku mierzono wynik. Sama nazwa modelu nie wystarcza.

Co naprawdę mierzy GDPval i dlaczego 84,9% nie oznacza poziomu eksperta?

GDPval porównuje odpowiedzi modelu z ocenami profesjonalistów w 44 zawodach [1]. Wynik 84,9% to odsetek zadań wygranych lub zremisowanych z ekspertem, a nie odsetek poprawnych odpowiedzi ani certyfikat kompetencji. Model nie ponosi odpowiedzialności zawodowej za wynik.

Benchmark obejmuje zadania pisemne i ustrukturyzowane. Nie odtwarza pracy pod presją czasu, z niekompletnymi danymi i konsekwencjami prawnymi. Wniosek, że model osiąga poziom eksperta w 44 zawodach, jest mocniejszy niż dane, na których go oparto.

Ile kosztuje GPT-5.5 w API i w planach ChatGPT?

W API GPT-5.5 kosztuje 5 USD za 1 mln tokenów wejściowych i 30 USD za 1 mln tokenów wyjściowych, według komunikatu OpenAI z 24 kwietnia 2026 r. [2]. OpenAI obsługuje PLN dla Polski, ale zmiana waluty wymaga anulowania i ponownej subskrypcji po okresie rozliczeniowym [7]. Polskie źródło branżowe podaje, że model jest dwukrotnie droższy od GPT-5.4 [8].

Poniższe ceny dotyczą października 2026 r. Kwoty w złotych pochodzą z polskich zestawień i mogą różnić się w checkoutcie.

PlanCena w USDCena w PLN (raportowana)
Free00 zł
Go8 USD/mies.34,99 zł/mies.
Plus20 USD/mies.99,99 zł/mies.
Pro 100100 USD/mies.od ok. 439 zł/mies.
Pro 200200 USD/mies.999 zł/mies.
Pro 500500 USD/mies.2 199 zł/mies.

Przelicznik orientacyjny: kurs NBP z 15 października 2026 r. to 3,8952 PLN za USD [9]. Po tym kursie 20 USD daje około 77,90 zł, a raportowana cena Plus to 99,99 zł, bo lokalna cena zawiera VAT [10]. Pozostałe dane o planach: cennik ChatGPT [11] i opis planów Pro [12].

Które zadania wychodzą najlepiej, a które najsłabiej?

Poza dwoma głównymi benchmarkami OpenAI podaje 78,7% w OSWorld-Verified, 84,4% w BrowseComp i 73,1% w Expert-SWE [1][13]. OSWorld mierzy obsługę interfejsu komputera, BrowseComp wyszukiwanie w sieci, Expert-SWE pracę nad zgłoszeniami w repozytorium kodu.

Najmocniejsze obszary to praca z narzędziami i terminalem. Najsłabsze to zadania wymagające wiedzy o konkretnej firmie, jej dokumentach i procedurach. Model nie zna ich, dopóki mu ich nie dostarczysz. To argument za bazą wiedzy i wyszukiwaniem wewnętrznym, a nie za samym modelem. Wątek uniwersalizacji modelu opisujemy w tekście GPT-5.5 połknął Codex.

Jak czytać rozbieżności w wynikach benchmarków?

Trzy rzeczy trzeba sprawdzić przed każdą liczbą: kto mierzył, na jakiej wersji benchmarku i z jakim harnessem. Przykład: Terminal-Bench 2.0 i 2.1 to inne zestawy zadań, a wynik 82,7% dotyczy wersji 2.0 [1][6].

Karta systemowa modelu opisuje testy bezpieczeństwa, ryzyka cybernetyczne i biologiczne oraz ograniczenia generalizacji benchmarków. OpenAI klasyfikuje model jako o wysokich zdolnościach w domenie biologiczno-chemicznej [14]. Wynik benchmarku nie zastępuje testów wdrożeniowych ani nadzoru człowieka.

W sieci krążą też liczby, których źródła oficjalne nie potwierdzają. Jedna z polskich publikacji podaje wysoki wskaźnik halucynacji w najtrudniejszych zadaniach matematycznych, ale bez metodologii pomiaru i wersji modelu [15]. Bez tych danych liczba pozostaje niepotwierdzona.

GPT-5.5 czy nowszy model? Co wybrać w październiku 2026?

Od premiery GPT-5.5 minęło pół roku i w ofercie są nowsze modele. GPT-5.6 z wariantami Sol, Terra i Luna pojawił się 9 lipca 2026 r. w ChatGPT, Codex i API [16]. GPT-6 z Intelligent UI wdrożono 7 października 2026 r., a 15 października dodano GPT-6.1 Sol w ChatGPT Work i Codex [17][18].

Dla nowego wdrożenia oznacza to, że GPT-5.5 nie jest już domyślnym wyborem. Jego wyniki nadal służą jako punkt odniesienia, bo są najlepiej udokumentowane. Zanim wybierzesz model do produkcji, sprawdź aktualny cennik i dokumentację dostawcy. Wdrożenia w środowisku własnym opisuje artykuł Codex on-premise.

Najczęstsze pytania

Czy GPT-5.5 osiąga poziom eksperta?

Nie w sensie certyfikatu kompetencji. Wynik 84,9% w GDPval oznacza, że w zadaniach testowych model wygrał lub zremisował z oceną profesjonalisty w 44 zawodach [1]. Benchmark nie sprawdza odpowiedzialności zawodowej, pracy pod presją i decyzji przy niekompletnych danych, więc wniosek o poziomie eksperta jest szerszy niż sam pomiar.

Ile kosztuje korzystanie z GPT-5.5 przez API?

5 USD za 1 mln tokenów wejściowych i 30 USD za 1 mln tokenów wyjściowych, według komunikatu OpenAI [2]. Przy dużych promptach i długich odpowiedziach koszt rośnie szybciej niż w modelach starszej generacji, bo polskie źródło branżowe podaje dwukrotnie wyższą cenę niż w GPT-5.4 [8]. Abonament ChatGPT rozliczany jest osobno.

Czy wynik z Terminal-Bench przekłada się na pracę w moim projekcie?

Częściowo. Benchmark mierzy wieloetapowe zadania w terminalu, a nie znajomość twojego repozytorium, konwencji i zależności [1]. Ten sam model w różnych agentach wypada inaczej: 83,1% z Codex CLI i 78,0% z Terminus 2 na Terminal-Bench 2.1 [6]. Własny test na dwóch lub trzech zadaniach z projektu daje więcej niż tabela producenta.

Który model OpenAI wybrać obecnie?

Sprawdź aktualny cennik przed decyzją. GPT-5.6 jest dostępny od 9 lipca 2026 r., a GPT-6 wdrożono 7 października 2026 r. [16][17]. GPT-5.5 pozostaje punktem odniesienia w dokumentacji benchmarków, ale nie musi być najnowszą opcją dostępną w twoim planie.

Źródła

  1. Introducing GPT-5.5 (OpenAI, 2026)
  2. GPT-5.5 is here! Available in the API, Codex and ChatGPT today (OpenAI Developer Community, 2026)
  3. GPT-5.5 Model (OpenAI Developers, 2026)
  4. Introducing ChatGPT (OpenAI, 2022)
  5. Introducing GPT-5.4 (OpenAI, 2026)
  6. Terminal-Bench 2.1: LLM Terminal Agent Benchmark (Snorkel, 2026)
  7. Multi-currency billing (OpenAI Help Center, 2026)
  8. GPT-5.5 - nowy model OpenAI z polskim akcentem w oficjalnym blogu (Devstock Academy, 2026)
  9. Kurs USD z 15 października 2026 (NBP, 2026)
  10. Ile Kosztuje ChatGPT w 2026? Free, Go, Plus czy Pro - Ceny w Złotówkach (AI-Radar.pl, 2026)
  11. Plans and Pricing (ChatGPT, 2026)
  12. About ChatGPT Pro tiers (OpenAI Help Center, 2026)
  13. Benchmarks for GPT 5.5 (Chris, X, 2026)
  14. GPT-5.5 System Card (OpenAI, 2026)
  15. Blask ze słabością: co tak naprawdę oferuje ChatGPT GPT-5.5 (xpert.digital, 2026)
  16. GPT-5.6: Frontier intelligence that scales with your ambition (OpenAI, 2026)
  17. GPT-6 and Intelligent UI for everyone (OpenAI, 2026)
  18. Introducing GPT-6.1 Sol (OpenAI, 2026)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji