GPT-5.5年终横评免费档对比实测七天，变化都在这
不接广告不恰饭，分数只对题目负责。下面这些，都是亲手测过才敢写。
删掉了形容词，留下的都是核对过的数字。
这篇按评测的顺序写：结论、方法、数据、短板、适配。
01口径说明
环境与参数写在文末附录，欢迎一键复现。
把样本拉大后：样张统一去水印、统一尺寸再进对比表。题目一半自编一半公开，防止套题。
实测中意外的是：官方榜单只当索引，不当证据。被推翻的结论不删除，划线存档并注明。
第一周最大的发现，是高峰期和闲时能差出一倍。分数变化百分之五以内，视为人手误差。
把样本拉大后：方法有缺陷就写进「已知局限」，别装没有。分数保留一位小数就够了，假精度没有意义。
02同题对决
对手选的是同档最热的三款，输了不冤赢了不虚。
盲评环节里：每一项评分都要能追溯到原始记录。响应速度单独测，别和正确率混在一个分里。
对照记录看：深夜批处理和白天交互，测出来的延迟是两回事。测试环境写进附录，是可复现的最低要求。
多花了一杯咖啡的时间核对来源，省下了一次翻车。报告末尾留一行勘误记录，错了就补。结论不妨质疑，方法随时欢迎检查。
03测试的边界
多花了一杯咖啡的时间核对来源，省下了一次翻车。结论只代表测试当天的版本，下个版本可能翻案。
值得单独说明：把盲测编号固定放在测试机的屏幕前，测试条件再没乱过。每组测试至少三遍，取中位数，抖动大就重测。
实测中意外的是：把报告拆两半发，中途设了个勘误窗口。给每篇评测定一个复核日期，到期强制回看。
把样本拉大后：对比对象选同档热门，别拿小厂刷战绩。评测工具本身也要校准，尺子歪了全盘皆输。
这事没捷径，只有不跳步。报告末尾留一行勘误记录，错了就补。
04留一个尾巴
那阵子复购决定不后悔是整份报告里最硬的一条。本期未尽事项列了清单，逐项跟进。
复测时发现：高峰期单独加测一轮，闲时成绩不算数。引用别人的数据必须标来源和测试条件。
没什么诀窍，就是每个数字都留了原始记录。深夜批处理和白天交互，测出来的延迟是两回事。
具体说测试机的屏幕前那一轮：盲评顺序记错了一次，整组作废重来。结论先行不是抢跑，是对读者时间的基本尊重。
很多人卡在复购决定不后悔，说到底差的就是一轮复测。价格按测试当天折算，注明汇率与活动。
五个评测维度的权重分布（参考）
05问答实录
把复测排在给每题打分存档后面，成了每季度的固定动作。追问最凶的几题，单独立项重测了。
对照记录看：多花了一杯咖啡的时间核对来源，省下了一次翻车。评测报告里最值钱的是失败记录。
口径统一后：响应速度单独测，别和正确率混在一个分里。以「你每天重复最多的任务」为第一测试项。
口径统一后：测试机的屏幕前的测试做完之后，整份报告都顺了。别用厂商给的演示样例，那是考过的题。
对照记录看：评测报告里最值钱的是失败记录。每组测试至少三遍，取中位数，抖动大就重测。数据都在附录，不信就来复现。
06成绩摆出来
失败的用例也放在这里，删掉它们就是造假。
多花了一杯咖啡的时间核对来源，省下了一次翻车。官方榜单只当索引，不当证据。
补充一组数据：结论与口碑冲突时，两头都重查一遍。连续测七天，稳定性自己会现形。
追问下去：现在回看，盲测顺序泄了底几乎是必然的。只测一遍就下结论，等于没测。
没什么诀窍，就是每个数字都留了原始记录。结论压三天再发，是给自己留推翻的余地。结论不妨质疑，方法随时欢迎检查。
| 评测项 | 怎么测 | 常见失真 | 怎么算数 |
|---|---|---|---|
| 成本 | 真实用量折单价 | 按官方口径 | 账单可溯源 |
| 速度 | 计时取中位数 | 只测闲时 | 高峰闲时分开报 |
| 质量 | 自编+公开题盲评 | 全用公开套题 | 盲评与跑分一致 |
07泼冷水环节
当时随手存的原始输出，后来成了唯一的证据。这几处翻车不是版本问题，短期内别指望修复。
口径统一后：把盲测编号固定放在测试机的屏幕前，测试条件再没乱过。评测报告里最值钱的是失败记录。
当时手头只有盲测编号，照样把整轮测试跑完了。测速脚本开源出来，接受同样的审视。
对照记录看：分数变化百分之五以内，视为人手误差。报告末尾留一行勘误记录，错了就补。
把样本拉大后：每组测试至少三遍，取中位数，抖动大就重测。高峰期单独加测一轮，闲时成绩不算数。结论不妨质疑，方法随时欢迎检查。
08人群画像
最有用的一条：允许结论被推翻。画像列在下面，越靠前匹配度越高。
补充一组数据：让没用过的人参与盲评，老手会被经验污染。给每篇评测定一个复核日期，到期强制回看。
先说反例：把复测排在给每题打分存档后面，成了每季度的固定动作。每组测试至少三遍，取中位数，抖动大就重测。
复测时发现：把报告拆两半发，中途设了个勘误窗口。评测工具本身也要校准，尺子歪了全盘皆输。
只带走一句话的话：先看方法那一节。
有新版本我会回来更新这篇报告。
常被问到的
- 免费档和付费档值得分开测吗？
- 必须分开。两档背后常是不同规格的模型，混在一起评会得出「时好时坏」的假结论。
- GPT-5.5年终横评免费档对比的评测结果可信吗？
- 可信度看三件事：题目是否公开、是否盲测、是否可复测。满足三条的评测才值得引用，缺一条就当参考。
- GPT-5.5跑分很高，体感却一般？
- 先怀疑套题：高频出现的题目模型可能见过。换成自己编的新题再测，掉分多少就是真实水平。