# GPT-5.5

> Fiche du modèle de langage GPT-5.5 sur Quelle IA, édition du 28 septembre 2026. GPT-5.5 (OpenAI) : score IA de 91,3, 11e sur 246. Scores par tâche, prix, exécution locale et liens pour le télécharger ou l'essayer.

Page : https://quelleia.com/modeles/gpt-5-5/
Origine : OpenAI · États-Unis · sorti le 23 avril 2026

## Score général

- Score IA : 91,3 (marge à 90 % : de 90,0 à 92,5)
- Rang : 11 (Groupe 4, ex æquo)
- Couverture : 100 % du poids des tâches, 45 mesures
- Échelle : 100 pour le meilleur modèle au lancement du site, 50 pour GPT-4o de novembre 2024.

## Scores par tâche

| Tâche | Score | Détail |
| --- | --- | --- |
| Raisonnement | 94,1 | Rang 8 · 89 % |
| Code | 90,2 | Rang 17 · 77 % |
| Agents | 90,7 | Rang 6 · 78 % |
| Usage | 89,9 | Rang 12 · 100 % |
| Maths | 91,5 | Rang 11 · 100 % |
| Sciences | 94,6 | Rang 7 · 80 % |
| Français | 91,5 | Rang 7 · 50 % |
| Vision | 92,6 | Rang 6 · 100 % |
| Écriture | 89,9 | Rang 16 · 100 % |
| Web | 85,5 | Rang 40 · 100 % |

## Artificial Analysis (hors du score)

Artificial Analysis évalue les modèles de son côté et publie son propre indice, l'Artificial Analysis Intelligence Index v4.3. C'est un autre indice, qui ne compte pas dans le score IA de Quelle IA et ne se compare pas directement à lui.

| Version évaluée | Indice v4.3 | Rang chez eux | Vitesse | Premier jeton | Prix par million de jetons (entrée / sortie) |
| --- | --- | --- | --- | --- | --- |
| [GPT-5.5 (Xhigh)](https://artificialanalysis.ai/models/gpt-5-5) | 38,4 | 64e sur 193 | 86,9 jetons/s | 48,1 s | 5 $ / 30 $ |
| [GPT-5.5 (High)](https://artificialanalysis.ai/models/gpt-5-5-high) | 37,0 | 70e sur 193 | 83,8 jetons/s | 21,0 s | 5 $ / 30 $ |
| [GPT-5.5 (Medium)](https://artificialanalysis.ai/models/gpt-5-5-medium) | 33,8 | 83e sur 193 | 83,3 jetons/s | 7,17 s | 5 $ / 30 $ |
| [GPT-5.5 (Low)](https://artificialanalysis.ai/models/gpt-5-5-low) | 30,7 (estimé) | hors classement | 83,1 jetons/s | 1,64 s | 5 $ / 30 $ |
| [GPT-5.5 (Non-reasoning)](https://artificialanalysis.ai/models/gpt-5-5-non-reasoning) | 23,2 (estimé) | hors classement | 77,2 jetons/s | 0,88 s | 5 $ / 30 $ |

Médianes de leurs mesures : vitesse en jetons produits par seconde, délai avant le premier jeton en secondes. Prix en dollars par million de jetons, en entrée puis en sortie. Rang parmi les 193 modèles que leur indice classe ; un indice qu'ils estiment reste hors de ce classement. Relevé le 1er octobre 2026 sur leur site, reproduit avec leur accord.

Source : Artificial Analysis, https://artificialanalysis.ai/models/gpt-5-5

## Exécution locale

Non. GPT-5.5 est un modèle fermé : il s'utilise en ligne, par l'application de son éditeur ou par API.

## Fiche technique

- Prix : 4,34 € / 26,0 € (entrée / sortie, par million de jetons)
- Fenêtre de contexte : 1 050 000 jetons (environ 788 000 mots)
- Entrées : Texte, image, PDF
- Réflexion : Sans, faible, moyenne, élevée, très élevée (cinq niveaux réglables)
- Paramètres : Non communiqué
- Licence : Propriétaire (poids fermés, accès par l'éditeur)
- Classe énergétique : E (sur une échelle de A à G)
- Hébergement en Europe : Possible
- Connaissances jusqu'à : Décembre 2025

## Où le trouver

- Par API : [OpenRouter](https://openrouter.ai/openai/gpt-5.5)
- Par API : [API OpenAI](https://platform.openai.com/docs)
- L'essayer : [ChatGPT](https://chatgpt.com)

## Dans les outils de code

- Disponible dans : [Cursor](https://quelleia.com/outils/#cursor) (inclus), [GitHub Copilot](https://quelleia.com/outils/#github-copilot) (offres payantes), [Devin Desktop (ex-Windsurf)](https://quelleia.com/outils/#devin-desktop) (à l'usage), [Codex](https://quelleia.com/outils/#codex) (retrait annoncé le 14 octobre 2026), [Zed](https://quelleia.com/outils/#zed) (inclus), [OpenCode](https://quelleia.com/outils/#opencode) (à l'usage), [Droid (Factory)](https://quelleia.com/outils/#factory-droid), [Augment Code](https://quelleia.com/outils/#augment), [Warp](https://quelleia.com/outils/#warp)
- Mesuré dans : [Codex](https://quelleia.com/outils/#codex)
- Relevé du 30 septembre 2026 sur la page publique de chaque outil. Un modèle proposé par un outil figure dans la liste que son éditeur publie. Rien n'y est mesuré.

## Mesures

| Benchmark | Tâche | Publié | Niveau suggéré | État | Source |
| --- | --- | --- | --- | --- | --- |
| OTIS Mock AIME 2024-2025 | Maths | 100 % | 93,8 | saturé | https://epoch.ai/benchmarks |
| ARC-AGI-1 | Raisonnement | 95 % | 91,3 | saturé | https://arcprize.org/leaderboard |
| ARC-AGI-1 | Raisonnement | 95 % | 91,3 | saturé | https://arcprize.org/leaderboard |
| ARC-AGI-1 | Raisonnement | 94,5 % | 90,7 | saturé | https://arcprize.org/leaderboard |
| DTBench | Raisonnement | 96 % | 99,5 | saturé | https://conceptualreasoning.ai/dtbench |
| ARC-AGI-1 | Raisonnement | 92,2 % | 88,5 | saturé | https://arcprize.org/leaderboard |
| GPQA Diamond | Sciences | 94 % | 89,5 | actif | https://epoch.ai/benchmarks |
| FrontierMath, paliers 1 à 3 (version 2025) | Maths | 51,7 % | 94,0 | actif | https://epoch.ai/benchmarks |
| Surface Evolver Bench | Sciences | 88,1 % | 98,0 | saturé | https://yhenon.github.io/surface-evolver-llm-eval/ |
| GPQA Diamond | Sciences | 90,7 % | 83,7 | actif | https://epoch.ai/benchmarks |
| FrontierMath, paliers 1 à 3 (v2) | Maths | 85,3 % | 95,2 | actif | https://epoch.ai/benchmarks |
| ARC-AGI-2 | Raisonnement | 85 % | 92,7 | saturé | https://epoch.ai/benchmarks |
| ARC-AGI-2 | Raisonnement | 85 % | 92,7 | saturé | https://epoch.ai/benchmarks |
| WeirdML (v2) | Code | 84,9 % | 103,8 | actif | https://htihle.github.io/weirdml.html |
| Terminal-Bench 2.0 | Code | 84,7 % | 91,9 | actif | https://www.tbench.ai/leaderboard/terminal-bench/2.0 |
| OTIS Mock AIME 2024-2025 | Maths | 84,4 % | 73,9 | saturé | https://epoch.ai/benchmarks |
| WeirdML (v2) | Code | 83,9 % | 102,5 | actif | https://htihle.github.io/weirdml.html |
| ARC-AGI-2 | Raisonnement | 83,3 % | 92,2 | saturé | https://epoch.ai/benchmarks |
| Terminal-Bench 2.0 | Code | 83,1 % | 90,9 | actif | https://www.tbench.ai/leaderboard/terminal-bench/2.0 |
| Terminal-Bench 2.0 | Code | 82,2 % | 90,4 | actif | https://www.tbench.ai/leaderboard/terminal-bench/2.0 |
| Terminal-Bench 2.0 | Code | 82 % | 90,3 | actif | https://www.tbench.ai/leaderboard/terminal-bench/2.0 |
| Surface Evolver Bench | Sciences | 81,3 % | 93,4 | saturé | https://yhenon.github.io/surface-evolver-llm-eval/ |
| SWE-bench Verified | Code | 80,6 % | 88,8 | actif | https://epoch.ai/benchmarks |
| ARC-AGI-1 | Raisonnement | 76,2 % | 80,8 | saturé | https://arcprize.org/leaderboard |
| FrontierMath, palier 4 (v2) | Maths | 72,5 % | 94,5 | saturé | https://epoch.ai/benchmarks |
| ARC-AGI-2 | Raisonnement | 70,4 % | 88,9 | saturé | https://epoch.ai/benchmarks |
| GPQA Diamond | Sciences | 77,3 % | 70,6 | actif | https://epoch.ai/benchmarks |
| WeirdML (v2) | Code | 67,2 % | 86,7 | actif | https://htihle.github.io/weirdml.html |
| DeepSWE | Code | 67 % | 91,9 | actif | https://deepswe.datacurve.ai/ |
| Terminal-Bench 2.0 | Code | 66,1 % | 83,5 | actif | https://www.tbench.ai/leaderboard/terminal-bench/2.0 |
| DeepSWE | Code | 64,4 % | 91,0 | actif | https://deepswe.datacurve.ai/ |
| LMCA | Raisonnement | 54,27 | 91,5 | actif | https://conceptualreasoning.ai/lmca |
| Arena, questions de maths | Maths | 1 499,4 Elo | 89,9 | actif | https://arena.ai/leaderboard |
| SimpleQA Verified | Données | 63 % | 96,0 | actif | https://epoch.ai/benchmarks |
| SimpleBench | Raisonnement | 69 % | 89,5 | actif | https://lmcouncil.ai/benchmarks |
| Arena, questions d'experts | Sciences | 1 512,4 Elo | 87,6 | actif | https://arena.ai/leaderboard |
| Arena, questions de maths | Maths | 1 493,2 Elo | 88,6 | actif | https://arena.ai/leaderboard |
| Arena, questions d'experts | Sciences | 1 511,4 Elo | 87,5 | actif | https://arena.ai/leaderboard |
| compar:IA | Français | 1 110,0 Elo | 110,6 | actif | https://arene.comparia.beta.gouv.fr/ranking |
| Arena, écriture créative | Écriture | 1 451,4 Elo | 88,2 | actif | https://arena.ai/leaderboard |
| Arena, texte | Usage | 1 481,3 Elo | 88,2 | actif | https://arena.ai/leaderboard |
| Arena, écriture créative | Écriture | 1 448,0 Elo | 87,4 | actif | https://arena.ai/leaderboard |
| Arena, questions en français | Français | 1 501,3 Elo | 87,0 | actif | https://arena.ai/leaderboard |
| Arena, texte | Usage | 1 476,7 Elo | 87,2 | actif | https://arena.ai/leaderboard |
| Code Arena, WebDev | Web | 1 512,1 Elo | 84,9 | actif | https://arena.ai/leaderboard |
| Arena, questions de code | Code | 1 518,6 Elo | 85,6 | actif | https://arena.ai/leaderboard |
| Arena, questions en français | Français | 1 495,8 Elo | 85,9 | actif | https://arena.ai/leaderboard |
| Arena, questions de code | Code | 1 510,5 Elo | 83,9 | actif | https://arena.ai/leaderboard |
| FrontierMath, palier 4 (version 2025) | Maths | 35,4 % | 92,0 | actif | https://epoch.ai/benchmarks |
| Arena, vision | Vision | 1 286,5 Elo | 89,6 | actif | https://arena.ai/leaderboard |
| Arena, vision | Vision | 1 281,0 Elo | 88,3 | actif | https://arena.ai/leaderboard |
| OTIS Mock AIME 2024-2025 | Maths | 57,8 % | 64,5 | saturé | https://epoch.ai/benchmarks |
| Code Arena, WebDev | Web | 1 487,0 Elo | 83,2 | actif | https://arena.ai/leaderboard |
| SciCode | Code | 56,1 % | 90,5 | actif | https://artificialanalysis.ai/evaluations/scicode |
| SciCode | Code | 55,9 % | 90,2 | actif | https://artificialanalysis.ai/evaluations/scicode |
| APEX-Agents | Agents | 55,1 % | 90,4 | actif | https://epoch.ai/benchmarks |
| DeepResearch Bench | Agents | 54 % | 106,8 | actif | https://evals.futuresearch.ai/#drb |
| DeepSWE | Code | 54 % | 87,7 | actif | https://deepswe.datacurve.ai/ |
| SciCode | Code | 53,5 % | 87,3 | actif | https://artificialanalysis.ai/evaluations/scicode |
| GBAEval | Code | 53,2 % | 90,3 | actif | https://gbaeval.com/model/gpt-5-5 |
| Code Arena, WebDev | Web | 1 455,3 Elo | 81,0 | actif | https://arena.ai/leaderboard |
| Vending-Bench 2 | Agents | 7 524 $ | 89,4 | actif | https://epoch.ai/benchmarks |
| SciCode | Code | 51,6 % | 85,1 | actif | https://artificialanalysis.ai/evaluations/scicode |
| Chess Puzzles | Raisonnement | 54 % | 95,2 | actif | https://epoch.ai/benchmarks |
| Mystery Game Puzzles | Raisonnement | 56 % | 95,3 | actif | https://epoch.ai/benchmarks |
| ProofBench | Maths | 50 % | 87,9 | saturé | https://www.vals.ai/benchmarks/proof_bench |
| DeepResearch Bench | Agents | 49,6 % | 91,2 | actif | https://evals.futuresearch.ai/#drb |
| DeepResearch Bench | Agents | 48,7 % | 88,0 | actif | https://evals.futuresearch.ai/#drb |
| ExploitBench | Sécurité | 47,4 % | 94,3 | actif | https://epoch.ai/benchmarks |
| SciCode | Code | 47,3 % | 80,1 | actif | https://artificialanalysis.ai/evaluations/scicode |
| Mystery Game Puzzles | Raisonnement | 52 % | 94,1 | actif | https://epoch.ai/benchmarks |
| FrontierCode | Code | 43 % | 91,5 | actif | https://cognition.com/frontiercode |
| ExploitBench | Sécurité | 41,8 % | 92,1 | actif | https://epoch.ai/benchmarks |
| ExploitBench | Sécurité | 41,6 % | 92,1 | actif | https://epoch.ai/benchmarks |
| GSO | Code | 40,2 % | 90,0 | actif | https://gso-bench.github.io/index.html |
| Blueprint-Bench 2 | Vision | 36,2 % | 94,1 | actif | https://andonlabs.com/evals/blueprint-bench-2 |
| EBR-bench (Earthborne Rangers) | Agents | 34,3 % | 91,9 | actif | https://epoch.ai/benchmarks |
| ARC-AGI-2 | Raisonnement | 33,3 % | 82,0 | saturé | https://epoch.ai/benchmarks |
| ExploitBench | Sécurité | 32,6 % | 88,3 | actif | https://epoch.ai/benchmarks |
| PostTrainBench | Agents | 27,2 % | 87,8 | actif | https://epoch.ai/benchmarks |
| CritPt | Sciences | 27,1 % | 94,1 | actif | https://epoch.ai/benchmarks |
| DeepSWE | Code | 27 % | 78,9 | actif | https://deepswe.datacurve.ai/ |
| GDP.pdf | Données | 26 % | 93,8 | actif | https://surgehq.ai/benchmarks/gdp-pdf |
| CritPt | Sciences | 25,4 % | 93,3 | actif | https://epoch.ai/benchmarks |
| CL-bench Life | Données | 22,2 % | 91,7 | actif | https://epoch.ai/benchmarks |
| Chess Puzzles | Raisonnement | 26 % | 81,7 | actif | https://epoch.ai/benchmarks |
| ForecastBench | Raisonnement | 60,6 % | 82,5 | actif | https://epoch.ai/benchmarks |
| Mystery Game Puzzles | Raisonnement | 28 % | 86,4 | actif | https://epoch.ai/benchmarks |
| Furniture Assembly | Vision | 44,2 % | 92,3 | actif | https://epoch.ai/benchmarks |
| CritPt | Sciences | 18,6 % | 89,6 | actif | https://epoch.ai/benchmarks |
| OSWorld 2.0 | Agents | 13 % | 87,9 | actif | https://osworld-v2.xlang.ai/ |
| MirrorCode | Code | 10 % | 86,2 | actif | https://epoch.ai/benchmarks |
| Mystery Game Puzzles | Raisonnement | 18 % | 80,7 | actif | https://epoch.ai/benchmarks |
| CritPt | Sciences | 8 % | 80,8 | actif | https://epoch.ai/benchmarks |
| Remote Labor Index | Agents | 6,3 % | 89,6 | actif | https://epoch.ai/benchmarks |
| Chess Puzzles | Raisonnement | 10 % | 65,1 | actif | https://epoch.ai/benchmarks |
| CritPt | Sciences | 1,4 % | 64,5 | actif | https://epoch.ai/benchmarks |
| FrontierMath Erdős | Maths | 0 % | 99,6 | actif | https://epoch.ai/benchmarks |

## En bref

**Quel est le score de GPT-5.5 ?** GPT-5.5 obtient un score IA de 91,3, avec une marge de 90,0 à 92,5, dans l'édition du 28 septembre 2026. Il est classé 11e sur 246 modèles, à partir de 45 mesures.

**Dans quelles tâches GPT-5.5 est-il le plus fort ?** Ses deux meilleures tâches sont sciences (94,6) et raisonnement (94,1). Sa tâche la plus faible est web (85,5).

**GPT-5.5 peut-il tourner en local ?** Non. GPT-5.5 est un modèle fermé : il s'utilise en ligne, par l'application de son éditeur ou par API.

**Combien coûte GPT-5.5 ?** 4,34 € par million de jetons en entrée et 26,0 € en sortie, au tarif affiché par les fournisseurs. Le coût réel d'une tâche dépend du nombre de jetons que le modèle consomme.

**Qui édite GPT-5.5 ?** GPT-5.5 est édité par OpenAI (États-Unis), et il est sorti le 23 avril 2026. C'est un modèle fermé.

Source : Quelle IA, édition du 28 septembre 2026. https://quelleia.com