GPT-5.5 全面碾压 Claude？我用三个真实任务测了一遍
OpenAI 刚刚发布了 GPT-5.5，在自家的榜单中全面地碾压了 Claude。
我用三个真实的任务测了一遍，发现里面有一个游戏任务是完全用不了的。
在真实测试之前，我们先快速过一下发布的细节。
发布细节
GPT-5.5 是 OpenAI 最新发布的模型，上一代是 GPT-5.4。这一次的模型有几个变化：
- 上下文：升到了 400k，比之前更多。
- Terminal Bench 2.0：GPT-5.5 拿到 82% 的准确率，GPT-5.4 是 75%，Claude Opus 4.7 只有 69%。
- 价格：GPT-5.5 比 GPT-5.4 翻了一倍，甚至比 Opus 4.7 还要高。
不过根据官方说法，GPT-5.5 的输出 Token 变得更少了，所以整体看下来价格可能反而更低。
具体到底如何，单看官方榜单是不够的。我直接进入测试。
测试方法
三个任务都用同一个提示词、同一份素材文件夹，两边都开启完全访问权限（避免被反复问权限），思考深度都调到最高，保持公平。
- 实验一：个人品牌网页
- 实验二：可玩的 2D RPG 小游戏
- 实验三：开放式创意任务（提示词由 Claude Code 自己生成，我自己也不知道结果）
实验一：个人品牌网页
提示词相同，素材也相同——文件夹里有 3 张 GPT 生成的图片，加上我的个人档案（一些 AI 帮我写的内容）。
耗时：Codex 13 分钟，Claude Code 13 分钟。速度差不多。
效果对比（上：Claude Code / 下：GPT-5.5）：
放慢速度让你自己判断。不过我自己的看法是——Claude Code 完胜。它做的是黑底摄影杂志风：左大字标题 + 右人物大图，整体”作品感”和”个人品牌”质感都更到位。GPT-5.5 那一版虽然内容也写完了，但交差都不太够——视觉表达偏普通，做不出”独立作者品牌”的味道。
这一轮：Claude Code。
实验二：可玩的 2D RPG 小游戏《夜行山海》
任务是构建一个可玩的 2D 中式志怪风小游戏，玩家是夜行书生，要躲妖怪、收符纸、点灯笼。提示词相同，仅修改了文件命名，避免覆盖上一轮的产物。
耗时：Claude Code 4 分 05 秒，Codex 9 分 14 秒。
先看美术风格——开始页两边都做得不错，国风感都有。
但进游戏才是关键——
Claude Code：上下左右移动正常、能捡符纸、有阻碍物（小树挡的格子有点多）、被怪撞到会僵直——不确定是 bug 还是有意设计的。整体可玩。
Codex：打开就发现不对劲——人物大得离谱，“我这么大吗？“画面只能看到自己周围一小块，开局就掉血直接死。完全玩不了。
GPT-5.5 用 9 分 14 秒做出一个完全玩不了的游戏，Claude Code 用 4 分 05 秒做出一个能玩的。这一局没什么好比的。
这一轮：Claude Code。
实验三：开放式创意任务
这一题特别——前两个有明确答案（做个网站、做个游戏），但这一题我没指定要做什么，只让它表达一个观点。
而且这个提示词是让 Claude Code 帮我写的，所以我自己也不知道两边会做出什么。具体提示词就不贴了，大致是：把”先想清楚要做什么再选模型”这个观点，做成一个可交互的网页作品。
耗时：Claude Code 8 分 08 秒，GPT-5.5 10 分 06 秒。
Claude Code 这版：
“这是一场 90 秒的实验，你将选择如何度过它，并亲眼看见选择的代价。“过场页挺好看的——上面是”看看最新最强的模型”和”先想想我要做什么”两个选择。
如果你点”看看最新最强的模型”，会进入一个红色 ticker 不断滚动”刚发布 / 比上一代提升 12% / LMArena 榜单第一”的焦虑画面，让你亲眼看到追逐新模型时的状态。
如果你点”先想想我要做什么”，会问你三个问题：你想完成什么 / 什么是必须满足的 / 什么算交付。基于你的回答，最后告诉你：先看任务再选模型，不要问哪个模型更强，先问你要完成什么任务。
事实上这就是我视频脚本里的一个内容——它根据我的脚本大纲，反推出了这第三个提示词的核心观点。
GPT-5.5 这版：
第一眼会觉得有点复杂——“任务是什么 / 模型焦虑 / 任务清晰度”。点开玩了一下就明白了：如果你不停追逐更好的模型，“模型焦虑”数值会上升，旁边的任务界面会越乱；如果你的任务定义越明确，界面就越清晰。它还把任务拆成”任务定义 / 任务简报 / 按任务选择模型”几个结构化字段，让你能直观看到自己的”任务区域”在不同选择下的工作树状态。
这一轮怎么看？
- Claude Code 设计页面更好看，过场更有质感
- GPT-5.5 内核我更喜欢，因为它把”焦虑”和”清晰度”做成了可量化、可操作的工作树
这一轮我投 GPT-5.5。 不是因为视觉，而是因为内核——它把抽象观点真正落到了一个能拆解、能选择、能交付的结构化界面上。
我的真实结论
三个任务测完，Claude Code 在大多数任务上稳定性更强——尤其是实验二游戏那一轮，差距太大。但 GPT-5.5 也不是没有优势：第三轮的开放式创意任务，它把抽象观点转成了一个结构化、可量化的工作树，内核反而比 Claude Code 更深。
不过我想说的不止是这个对比结果。
现在各家模型公司发布的速度越来越快——今天 OpenAI 发，明天 Anthropic 发，每一家都想跟对方一较高下。但对于普通用户而言，现在的模型能力已经能够很好地优化我们的工作流程了。
我更多考虑的是：
- 我什么样的任务，交给什么样的模型？
- 我的工作流里，有哪些地方能让 AI 帮我去优化？
而不是一味追求分数更高、更贵的模型。
当你知道模型的边界，知道你的工作流应该如何优化，那你使用任何模型，其实都能达到很好的效果。
任何模型的发布，我们都不需要感到焦虑。
OK，这就是本期的内容。如果对你有帮助，欢迎评论转发。