O material de lançamento do GPT-5.5 trouxe resultados de medição próprios, incluindo 82,7% num teste de tarefa em terminal e 51,7% e 35,4% em níveis distintos de um teste de matemática, ao lado de números menores atribuídos a modelos concorrentes nos mesmos testes.
Comparação publicada por quem lança é informação útil e parcial ao mesmo tempo. Ela é útil porque dá referência verificável; é parcial porque a escolha de qual teste mostrar cabe a quem tem interesse no resultado.
Há também a questão de configuração. Modelo pode ser executado com parâmetros diferentes, com mais ou menos passos de raciocínio, e a mesma medição rende resultados distintos conforme o ajuste, o que raramente vem detalhado.
Isso não significa que os números estejam errados, e sim que eles respondem a uma pergunta específica: como este modelo se sai neste teste, nesta configuração, escolhida por quem publica.
A pergunta que importa para quem contrata é outra e ninguém responde de fora: como este modelo se sai na tarefa que a minha operação executa, com o meu dado, contando o gasto total até o resultado ficar pronto.