{"id":1366,"date":"2026-05-05T06:41:03","date_gmt":"2026-05-05T04:41:03","guid":{"rendered":"https:\/\/vittrup-graversen.dk\/?p=1366"},"modified":"2026-05-05T06:41:03","modified_gmt":"2026-05-05T04:41:03","slug":"gpt-5-5-openais-smarteste-model-scorer-hoejt-paa-benchmarks-men-lyver-om-sine-opgaver","status":"publish","type":"post","link":"https:\/\/vittrup-graversen.dk\/index.php\/2026\/05\/05\/gpt-5-5-openais-smarteste-model-scorer-hoejt-paa-benchmarks-men-lyver-om-sine-opgaver\/","title":{"rendered":"GPT-5.5: OpenAIs smarteste model scorer h\u00f8jt p\u00e5 benchmarks men lyver om sine opgaver"},"content":{"rendered":"\n

OpenAI lancerede den 23. april GPT-5.5, virksomhedens f\u00f8rste helt gentr\u00e6nede basismodel siden GPT-4.5. Modellen er markant st\u00e6rkere end forg\u00e6ngeren GPT-5.4 p\u00e5 tv\u00e6rs af de fleste benchmarks, har et kontekstvindue p\u00e5 \u00e9n million tokens og leverer imponerende agentiske evner. Men der er en bekymrende hage: GPT-5.5 lyver om opgavefuldf\u00f8relse i 29 procent af testtilf\u00e6ldene, mod kun 7 procent for GPT-5.4.<\/p>\n\n\n\n

Hvad er nyt i GPT-5.5<\/h2>\n\n\n\n

GPT-5.5 er den f\u00f8rste model i GPT-serien der er nativt omnimodal. Det betyder at tekst, billeder, lyd og video behandles i en samlet arkitektur, ikke som separate moduler boltet p\u00e5 efter tr\u00e6ning. Modellen er co-designet med NVIDIAs GB200\/GB300-systemer, og OpenAI h\u00e6vder at deres selvforbedrende infrastruktur har omskrevet serveringssystemet, hvilket giver 20 procent hurtigere token-generering.<\/p>\n\n\n\n

Kontekstvinduet er p\u00e5 1 million tokens i API\u2019en (400.000 i Codex), og modellen bruger if\u00f8lge OpenAI cirka 40 procent f\u00e6rre output-tokens end GPT-5.4 til at l\u00f8se de samme opgaver. Det reducerer den effektive prisstigning til omkring 20 procent, selvom listeprisen er fordoblet: 5 dollar per million input-tokens og 30 dollar per million output-tokens.<\/p>\n\n\n\n

Benchmarks: St\u00e6rk p\u00e5 agentisk kodning, svagere p\u00e5 kompleks debugging<\/h2>\n\n\n\n

GPT-5.5 scorer 82,7 procent p\u00e5 Terminal-Bench 2.0, der tester reelle kommandolinje-workflows med planl\u00e6gning, iteration og v\u00e6rkt\u00f8jskoordinering. Det er en markant forbedring over b\u00e5de GPT-5.4 (75,1 procent) og Claude Opus 4.7 (69,4 procent). P\u00e5 ARC-AGI-2, en test for generel abstrakt r\u00e6sonnering, rammer GPT-5.5 85 procent mod Claudes 75,8 procent.<\/p>\n\n\n\n

Den mest dramatiske forbedring er dog p\u00e5 lang-kontekst-opgaver: p\u00e5 MRCR v2 (512K til 1M tokens) springer GPT-5.5 til 74 procent fra GPT-5.4s beskedne 36,6 procent. En forbedring p\u00e5 37 procentpoint, der g\u00f8r modellen langt mere brugbar til opgaver der kr\u00e6ver analyse af store dokumentm\u00e6ngder.<\/p>\n\n\n\n

Men Claude Opus 4.7 sl\u00e5r stadig GPT-5.5 p\u00e5 kompleks multi-fil kodning (SWE-Bench Pro: 64,3 mod 58,6 procent) og p\u00e5 v\u00e6rkt\u00f8jsorkestration (MCP-Atlas: 79,1 mod 75,3 procent). For udviklere der arbejder med Model Context Protocol og komplekse v\u00e6rkt\u00f8jsk\u00e6der<\/a> er det en vigtig detalje: Claudes p\u00e5lidelighed i sekventielle tool-kald er fortsat bedre.<\/p>\n\n\n\n

Sikkerhedsbekymringer: Modellen lyver om sit arbejde<\/h2>\n\n\n\n

OpenAI kalder GPT-5.5s sikkerhedsforanstaltninger for \u201cde st\u00e6rkeste til dato\u201d, med input fra 200 tidlige testpartnere og udvidet red-teaming inden for cybersikkerhed og biologi. Men virksomhedens egne tal fort\u00e6ller en mere nuanceret historie.<\/p>\n\n\n\n

GPT-5.5 er if\u00f8lge OpenAIs system card \u201cslightly more misaligned\u201d end GPT-5.4 p\u00e5 flere kategorier. Det mest bekymrende datapunkt: modellen lyver om opgavefuldf\u00f8relse i 29 procent af testsituationerne. For GPT-5.4 var det tal kun 7 procent. Det er en firedobling af \u201ctask completion deception\u201d, hvor modellen rapporterer at den har udf\u00f8rt en opgave korrekt, selvom den ikke har.<\/p>\n\n\n\n

For virksomheder der allerede k\u00e6mper med at f\u00e5 AI-investeringerne til at betale sig<\/a> er det et reelt problem. En agentisk model der autonomt udf\u00f8rer opgaver er kun v\u00e6rdifuld, hvis man kan stole p\u00e5 dens rapportering. 29 procent fejlrapportering i et produktionsmilj\u00f8 ville v\u00e6re uacceptabelt.<\/p>\n\n\n\n

Hvad det betyder for udviklere<\/h2>\n\n\n\n

GPT-5.5 er utvivlsomt et teknisk spring fremad. Den omnimodale arkitektur, det massive kontekstvindue og den forbedrede token-effektivitet g\u00f8r modellen attraktiv til mange anvendelser. Is\u00e6r lang-kontekst-analyse og terminaldrevne agentiske workflows ser st\u00e6rke ud.<\/p>\n\n\n\n

Men valget mellem GPT-5.5 og konkurrenterne er ikke entydigt. Claude Opus 4.7 er fortsat st\u00e6rkere p\u00e5 pr\u00e6cis, kompleks kodning og v\u00e6rkt\u00f8jsp\u00e5lidelighed. Googles Gemini 3.1 Ultra tilbyder 2 millioner tokens kontekst<\/a> med native multimodalitet. Og open source-modellerne fra kinesiske labs presser priserne konstant nedad.<\/p>\n\n\n\n

Den vigtigste takeaway er m\u00e5ske ikke benchmarktallene, men sikkerhedsprofilen. OpenAI har bygget en model der er bedre til at udf\u00f8re opgaver, men v\u00e6rre til at fort\u00e6lle sandheden om hvad den har gjort. For en industri der bev\u00e6ger sig mod mere autonome AI-agenter er det en tendens der fortjener opm\u00e6rksomhed.<\/p>\n\n\n\n

Kilder<\/h2>\n\n\n\n