GPT-5.5 is OpenAI’s frontier model designed for complex professional workloads, building on GPT-5.4 with stronger reasoning, higher reliability, and improved token efficiency on hard tasks. It features a 1M+ token context window (922K input, 128K output) with support for text and image inputs, enabling large-scale reasoning, coding, and multimodal workflows within a single system.
Fournisseurs
Différentes entreprises hébergent le même modèle. OpenRouter achemine votre requête vers l’une d’elles selon le mode de routage que vous choisissez : Équilibré (prix + vitesse), Nitro (le plus rapide) ou Floor (le moins cher).
BYOK uniquement | 2,50 $US | 15,00 $US | 0,25 $US | -- | -- |
|---|
- Entrée 2,50 $US / Sortie 15,00 $US-- tok/s-- de disponibilitéBYOK uniquement
Tarification
Le prix moyen que les clients paient réellement pour ce modèle, à côté des prix affichés par les fournisseurs. Grâce à la mise en cache et aux remises, le prix réellement payé est souvent bien inférieur au prix affiché.
Moyenne pondérée
GPT-5.5 (batch) — Historique des prix
| 0,00 $US | 0,00 $US | 0,0 % | 100,0 % |
- Prix effectif en entrée 0,00 $US / Sortie effective 0,00 $USPart des jetons100,0 %
Performances
Le débit est la vitesse à laquelle le modèle écrit (jetons par seconde — plus il est élevé, mieux c’est). La latence est le temps total d’aller-retour (plus il est faible, mieux c’est). Le TTFT est le délai avant le premier jeton — le temps avant de voir quelque chose apparaître (plus il est faible, mieux c’est).
Disponibilité
La disponibilité correspond au pourcentage des 3 derniers jours pendant lequel au moins un fournisseur répondait aux requêtes. La disponibilité du service correspond au pourcentage de temps pendant lequel l’inférence a été assurée avec succès. OpenRouter surveille en continu les fournisseurs et utilise le meilleur fournisseur suivant lorsque l’un d’eux renvoie une erreur.
Les données de disponibilité sont encore insuffisantes pour être affichées.
Lorsqu’une erreur survient chez un fournisseur en amont, nous pouvons rétablir le service en routant la requête vers un autre fournisseur opérationnel, si les filtres de votre requête le permettent. Vous pouvez accéder par programmation aux données de disponibilité de chaque fournisseur via l’ API des points de terminaison. Découvrez nos options d’ équilibrage de charge et de routage des fournisseurs.
Évaluations comparatives
Scores aux évaluations standardisées et réponses de ce modèle aux prompts communs des tests de référence. Des pourcentages plus élevés sont meilleurs — et chaque rang indique la position de ce modèle parmi les modèles évalués sur cette source.
| Source | Test de performance | Score |
|---|---|---|
| Artificial Analysis | GPT-5.5 (Xhigh) Coding Index | 74,9 |
| Artificial Analysis | GPT-5.5 (Xhigh) Agentic Index | 36,4 |
| Artificial Analysis | GPT-5.5 (Xhigh) GPQA Diamond | 93.5% |
| Artificial Analysis | GPT-5.5 (Xhigh) HLE | 45.8% |
| Artificial Analysis | GPT-5.5 (Xhigh) IFBench | 75.9% |
| Artificial Analysis | GPT-5.5 (Xhigh) τ²-Bench Telecom | 93.9% |
| Artificial Analysis | GPT-5.5 (Xhigh) AA-LCR | 84.3% |
| Artificial Analysis | GPT-5.5 (Xhigh) τ-Bench Banking | 39.0% |
| Artificial Analysis | GPT-5.5 (Xhigh) GDPval-AA | 42.9% |
| Artificial Analysis | GPT-5.5 (Xhigh) CritPt | 27.1% |
| Artificial Analysis | GPT-5.5 (Xhigh) SciCode | 55.8% |
| Artificial Analysis | GPT-5.5 (Xhigh) Terminal-Bench Hard | 60.6% |
| Artificial Analysis | GPT-5.5 (Xhigh) Terminal-Bench 4.0 | 14.6% |
| Artificial Analysis | GPT-5.5 (Xhigh) Terminal-Bench 2.1 | 84.3% |
| Artificial Analysis | GPT-5.5 (Low) Coding Index | 60,9 |
| Artificial Analysis | GPT-5.5 (Low) GPQA Diamond | 91.0% |
| Artificial Analysis | GPT-5.5 (Low) HLE | 32.7% |
| Artificial Analysis | GPT-5.5 (Low) IFBench | 64.4% |
| Artificial Analysis | GPT-5.5 (Low) τ²-Bench Telecom | 83.9% |
| Artificial Analysis | GPT-5.5 (Low) AA-LCR | 81.0% |
| Artificial Analysis | GPT-5.5 (Low) τ-Bench Banking | 24.9% |
| Artificial Analysis | GPT-5.5 (Low) GDPval-AA | 27.7% |
| Artificial Analysis | GPT-5.5 (Low) CritPt | 8.0% |
| Artificial Analysis | GPT-5.5 (Low) Terminal-Bench Hard | 52.3% |
| Artificial Analysis | GPT-5.5 (Low) Terminal-Bench 2.1 | 65.5% |
| Artificial Analysis | GPT-5.5 (High) Coding Index | 71,6 |
| Artificial Analysis | GPT-5.5 (High) Agentic Index | 34,3 |
| Artificial Analysis | GPT-5.5 (High) GPQA Diamond | 93.2% |
| Artificial Analysis | GPT-5.5 (High) HLE | 45.0% |
| Artificial Analysis | GPT-5.5 (High) IFBench | 71.6% |
| Artificial Analysis | GPT-5.5 (High) τ²-Bench Telecom | 93.0% |
| Artificial Analysis | GPT-5.5 (High) AA-LCR | 84.3% |
| Artificial Analysis | GPT-5.5 (High) τ-Bench Banking | 36.7% |
| Artificial Analysis | GPT-5.5 (High) GDPval-AA | 41.8% |
| Artificial Analysis | GPT-5.5 (High) CritPt | 25.4% |
| Artificial Analysis | GPT-5.5 (High) SciCode | 56.1% |
| Artificial Analysis | GPT-5.5 (High) Terminal-Bench Hard | 59.8% |
| Artificial Analysis | GPT-5.5 (High) Terminal-Bench 4.0 | 9.1% |
| Artificial Analysis | GPT-5.5 (High) Terminal-Bench 2.1 | 79.4% |
| Artificial Analysis | GPT-5.5 (Non-reasoning) Coding Index | 56,5 |
| Artificial Analysis | GPT-5.5 (Non-reasoning) GPQA Diamond | 76.8% |
| Artificial Analysis | GPT-5.5 (Non-reasoning) HLE | 13.7% |
| Artificial Analysis | GPT-5.5 (Non-reasoning) IFBench | 46.1% |
| Artificial Analysis | GPT-5.5 (Non-reasoning) τ²-Bench Telecom | 69.3% |
| Artificial Analysis | GPT-5.5 (Non-reasoning) AA-LCR | 64.0% |
| Artificial Analysis | GPT-5.5 (Non-reasoning) τ-Bench Banking | 14.8% |
| Artificial Analysis | GPT-5.5 (Non-reasoning) GDPval-AA | 23.9% |
| Artificial Analysis | GPT-5.5 (Non-reasoning) CritPt | 1.4% |
| Artificial Analysis | GPT-5.5 (Non-reasoning) Terminal-Bench Hard | 49.2% |
| Artificial Analysis | GPT-5.5 (Non-reasoning) Terminal-Bench 2.1 | 61.0% |
| Artificial Analysis | GPT-5.5 (Medium) Coding Index | 71,5 |
| Artificial Analysis | GPT-5.5 (Medium) Agentic Index | 29,5 |
| Artificial Analysis | GPT-5.5 (Medium) GPQA Diamond | 92.6% |
| Artificial Analysis | GPT-5.5 (Medium) HLE | 42.4% |
| Artificial Analysis | GPT-5.5 (Medium) IFBench | 71.0% |
| Artificial Analysis | GPT-5.5 (Medium) τ²-Bench Telecom | 91.8% |
| Artificial Analysis | GPT-5.5 (Medium) AA-LCR | 83.0% |
| Artificial Analysis | GPT-5.5 (Medium) τ-Bench Banking | 29.9% |
| Artificial Analysis | GPT-5.5 (Medium) GDPval-AA | 37.1% |
| Artificial Analysis | GPT-5.5 (Medium) CritPt | 18.6% |
| Artificial Analysis | GPT-5.5 (Medium) SciCode | 54.5% |
| Artificial Analysis | GPT-5.5 (Medium) Terminal-Bench Hard | 57.6% |
| Artificial Analysis | GPT-5.5 (Medium) Terminal-Bench 4.0 | 5.1% |
| Artificial Analysis | GPT-5.5 (Medium) Terminal-Bench 2.1 | 80.5% |
| Design Arena | GPT-5.5 Agents Arena Agenticgamedev Elo | 1122 |
| Design Arena | GPT-5.5 Agents Arena Agentichtmlslides Elo | 1084 |
| Design Arena | GPT-5.5 Agents Arena Agenticslides Elo | 1150 |
| Design Arena | GPT-5.5 Agents Arena Agenticslides(Html) Elo | 1077 |
| Design Arena | GPT-5.5 Agents Arena Agenticslides(Python-Pptx) Elo | 1155 |
| Design Arena | GPT-5.5 Agents Arena Androidnative Elo | 1154 |
| Design Arena | GPT-5.5 Agents Arena Full Stack Elo | 1063 |
| Design Arena | GPT-5.5 Agents Arena Godotgamedev Elo | 1149 |
| Design Arena | GPT-5.5 Agents Arena Htmlslides Elo | 964 |
| Design Arena | GPT-5.5 Agents Arena Mobile Apps Elo | 1134 |
| Design Arena | GPT-5.5 Agents Arena Pptxslides Elo | 1157 |
| Design Arena | GPT-5.5 Agents Arena Python-Pptxslides Elo | 1152 |
| Design Arena | GPT-5.5 Agents Arena Python-Pptxslides Elo | 1077 |
| Design Arena | GPT-5.5 Agents Arena Webapps Elo | 1094 |
| Design Arena | GPT-5.5 Models Arena 3D Elo | 1175 |
| Design Arena | GPT-5.5 Models Arena Asciiart Elo | 1239 |
| Design Arena | GPT-5.5 Models Arena Code Categories Elo | 1249 |
| Design Arena | GPT-5.5 Models Arena Data Visualization Elo | 1259 |
| Design Arena | GPT-5.5 Models Arena Game Development Elo | 1281 |
| Design Arena | GPT-5.5 Models Arena SVG Elo | 1224 |
| Design Arena | GPT-5.5 Models Arena UI Component Elo | 1250 |
| Design Arena | GPT-5.5 Models Arena Website Elo | 1248 |
| Vals AI | GPT 5.5 CaseLaw v2 | 66.2% |
| Vals AI | GPT 5.5 Code Migration | 45.2% |
| Vals AI | GPT 5.5 CorpFin v2 | 68.4% |
| Vals AI | GPT 5.5 EMB | 64.5% |
| Vals AI | GPT 5.5 Finance Agent (v2) | 51.8% |
| Vals AI | GPT 5.5 GPQA Diamond | 93.2% |
| Vals AI | GPT 5.5 Harvey's Legal Agent Benchmark v1 | 3.8% |
| Vals AI | GPT 5.5 LiveCodeBench | 85.3% |
| Vals AI | GPT 5.5 LegalBench | 86.5% |
| Vals AI | GPT 5.5 Legal Research Bench | 40.4% |
| Vals AI | GPT 5.5 MedCode | 49.1% |
| Vals AI | GPT 5.5 MedScribe | 86.9% |
| Vals AI | GPT 5.5 MMLU Pro | 88.1% |
| Vals AI | GPT 5.5 MMMU Pro | 88.3% |
| Vals AI | GPT 5.5 MortgageTax | 68.8% |
| Vals AI | GPT 5.5 ProgramBench | 0.5% |
| Vals AI | GPT 5.5 ProofBench v1 | 50.0% |
| Vals AI | GPT 5.5 Public Benefits Bench v1.1 | 60.9% |
| Vals AI | GPT 5.5 Vals RSI Index | 16.5% |
| Vals AI | GPT 5.5 SAGE v1 | 51.5% |
| Vals AI | GPT 5.5 SkillsBench | 62.2% |
| Vals AI | GPT 5.5 SRE Bench | 3.8% |
| Vals AI | GPT 5.5 SWE-bench | 82.6% |
| Vals AI | GPT 5.5 Tax Agent Bench | 21.8% |
| Vals AI | GPT 5.5 TaxEval v2 | 75.0% |
| Vals AI | GPT 5.5 Terminal-Bench 2.1 | 76.4% |
| Vals AI | GPT 5.5 Vals Index | 57.4% |
| Vals AI | GPT 5.5 Vals Multimodal Index | 68.1% |
| Vals AI | GPT 5.5 Vibe Code Bench v1.1 | 69.8% |
Applications
Applications publiques qui envoient le plus de trafic à ce modèle. Un bon indicateur des charges de travail réelles en production — et un aperçu des cas d’usage auxquels ce modèle convient le mieux.
Pas encore assez de données sur les applications utilisant ce modèle.
Activité
Volume de jetons et trafic des requêtes vers ce modèle au fil du temps.
API
Code prêt à l’emploi pour appeler ce modèle. L’API d’OpenRouter est compatible avec OpenAI — la plupart des SDK fonctionnent en remplaçant simplement l’URL de base. Seul le slug du modèle ci-dessous change d’un modèle à l’autre.
Actuellement indisponible via le routage dans la région UE. Documentation sur le routage intrarégional
Documentation
Guides, recueils de recettes, articles de blog et outils pour développer avec OpenAI: GPT-5.5 (batch) sur OpenRouter.
Questions fréquentes
GPT-5.5 is OpenAI’s frontier model designed for complex professional workloads, building on GPT-5.4 with stronger reasoning, higher reliability, and improved token efficiency on hard tasks. It features a 1M+ token context window (922K input, 128K output) with support for text and image inputs, enabling large-scale reasoning, coding, and multimodal workflows within a single system.
La documentation de GPT-5.5 (batch) sur OpenRouter comprend le guide de recettes GPT-5.4 Migration Guide et l’article de blog GPT-5.5 Price Increase: What It Actually Costs. Le guide de démarrage rapide présente les clés API et votre première requête, et la référence API répertorie tous les paramètres.
GPT-5.5 (batch) coûte 2,50 $US/M de jetons d’entrée et 15,00 $US/M de jetons de sortie, avec des tarifs distincts pour Cache Read à 0,25 $US/M tokens et Web Search à 10,00 $US/1K calls.
GPT-5.5 (batch) dispose d’une fenêtre de contexte de 1 050 000 jetons. Il prend en charge jusqu’à 128 000 jetons de complétion.
Oui. GPT-5.5 (batch) accepte tools et tool_choice pour l’appel de fonctions. Il prend également en charge les sorties structurées via un schéma JSON dans response_format.
GPT-5.5 (batch) accepte fichiers tels que des PDF, images et texte en entrée et renvoie texte.
GPT-5.5 (batch) est servi par 1 fournisseur sur OpenRouter : OpenAI.
GPT-6.1 Terra Pro, GPT-6.1 Terra, GPT-6 Luna Decisions et 58 de plus sont d’autres modèles de type texte de OpenAI.
GPT-5.5 (batch) est sorti le 24 avril 2026. Ses connaissances s’arrêtent au 1 décembre 2025.