Courses
Working with the OpenAI API
3小时
131.3K
Gemini 3.5 Flash 于 2026 年 5 月 19 日发布，作为对 OpenAI 和 Anthropic 当前旗舰模型的有力回应，宣称以 Flash 级速度实现前沿水准的性能。OpenAI 的 GPT-5.5 更早在 2026 年 4 月推出，定位为该公司迄今最强的代理式编码模型。
两款模型都明确面向代理式工作构建，并在对长周期任务最关键的基准上优于各自的前代。问题在于，哪一款更契合您的工作流程，以及就您的特定用例而言，速度与成本的权衡是否值得。
本文将从五个关键维度比较 Gemini 3.5 Flash 与 GPT-5.5：编码与代理式工作流、推理与知识任务、多模态能力、上下文与长上下文表现，以及定价。您也可分别查看我们的独立解读：Gemini 3.5 Flash 与深入解析 GPT-5.5，获取各模型的更多细节。
什么是 Gemini 3.5 Flash？
Gemini 3.5 Flash 是 Google 在 Google I/O 2026 上发布的 Gemini 3.5 家族最新模型。它属于 Flash 等级，意味着在速度与成本上进行了优化，但 Google 的核心主张是：它如今在代理与编码基准上，已能与体量更大的旗舰模型分庭抗礼（初步结果确实支持这一点）。
该模型设计可配合 Google 的 Antigravity harness 使用，这是一套用于并行部署协作子代理的框架。
它可通过 Gemini API、Google AI Studio、Android Studio、Gemini Enterprise Agent Platform 获取，并已在全球范围内作为 Gemini 应用与搜索中的 AI 模式的默认模型。Gemini 3.5 Pro 已在 Google 内部使用，预计下月向外部发布。
关于发布更多信息以及这些基准在实践中的意义，请参阅我们的 Gemini 3.5 Flash 指南。我们也覆盖了更广泛的 I/O 公告，包括 Gemini Omni（Google 全新的原生多模态生成媒体模型）、全天候 AI 代理 Gemini Spark，以及全新的 API 中的托管代理。
什么是 GPT-5.5？
GPT-5.5 是 OpenAI 于 2026 年 4 月发布的模型，被描述为该公司迄今最强的代理式编码模型。OpenAI 还发布了面向高精度工作的 GPT-5.5 Pro 变体，向 Pro、Business 与 Enterprise 用户提供。
正如我们在 GPT-5.5 对比 Claude Opus 4.7 的文章所述，只有当工作流包含困难的数学和/或网页搜索任务，且对高准确性有要求时，付费购买贵 6 倍的 GPT-5.5 Pro 才显得值得。
该模型与 NVIDIA GB200 和 GB300 NVL72 系统协同设计并部署。OpenAI 表示，它在实际服务中的每 token 时延可与 GPT-5.4 匹敌，同时展现出更高的智能水平。
它在 ChatGPT 和 Codex 中向 Plus、Pro、Business 与 Enterprise 用户提供，API 定价为每 100 万输入 token 5 美元、每 100 万输出 token 30 美元。
Gemini 3.5 Flash vs GPT-5.5：正面交锋
在展开细节前，先快速概览两者的表现位置。
| 功能 | Gemini 3.5 Flash | GPT-5.5 |
|---|---|---|
| Terminal-Bench（代理式编码） | 76.2% | 78.2% |
| SWE-Bench Pro | 55.1% | 58.6% |
| MCP Atlas（工具使用） | 83.6% | 75.3% |
| OSWorld-Verified（计算机操作） | 78.4% | 78.7% |
| CharXiv 推理（多模态） | 84.2% | 84.1% |
| Finance Agent v2 | 57.9% | 51.8% |
| ARC-AGI-2 | 72.1% | 84.6% |
| Humanity's Last Exam | 40.2% | 41.4% |
| 输出速度 | 比其他前沿模型快 4 倍（Google 声称） | 与 GPT-5.4 时延相当 |
| 上下文窗口 | 100 万 tokens | 100 万 tokens |
| API 输入定价 | 约 $1.50 / 100 万 tokens | $5.00 / 100 万 tokens |
| API 输出定价 | 约 $9.00 / 100 万 tokens | $30.00 / 100 万 tokens |
| 多代理框架 | Antigravity harness | Codex |
编码与代理式工作流
编码是两款模型最直面对标的维度，GPT-5.5 在此以微弱优势领先。无论是代理式终端编码（Terminal-Bench 2.1：78.2% vs 76.2%），还是经典软件工程（SWE-Bench Pro：58.6% vs 55.1%），GPT-5.5 都比 Gemini 3.5 Flash 高出几个百分点。
Gemini 3.5 Flash 领先的地方在于工具使用。它在 MCP Atlas 上拿到 83.6%，显著超过 GPT-5.5 的 75.3%。MCP Atlas 测试跨复杂代理工作流的多步工具调用与模式遵循，这正是 Antigravity harness 所擅长的任务类型。
| 基准 | Gemini 3.5 Flash | GPT-5.5 | 备注 |
|---|---|---|---|
| Terminal-Bench | 76.2% | 78.2% | GPT-5.5 略胜 |
| SWE-Bench Pro | 55.1% | 58.6% | 厂商披露；Claude Opus 4.7 以 64.3% 领先 |
| MCP Atlas | 83.6% | 75.3% | Gemini 领先；测试多步工具调用 |
坦率结论：对以终端为主的 DevOps 与 shell 自动化，GPT-5.5 更强。对以工具为核心、类似 MCP 的工具调用在管线中占比很高的代理，Gemini 3.5 Flash 更合适。面向代码库级的软件工程，Claude Opus 4.7 在 SWE-Bench Pro 上仍领先二者。
推理与知识任务
在抽象推理上，两者差异最为明显：GPT-5.5 在 ARC-AGI-2 上明显领先（84.6% 对 Gemini 3.5 Flash 的 72.1%）。这在一个考察新颖模式识别与不可从训练数据中记忆的推理的基准上，拉开了 12.5 分的差距。在 Humanity's Last Exam 上，两者接近：GPT-5.5 为 41.4%，Gemini 3.5 Flash 为 40.2%。
GPT-5.5 的强项之一是数学，这在其 FrontierMath 第 4 层的亮眼成绩（35.4%）中得到体现。目前没有其他可用模型能匹敌这一分数，不过 Google 的 AI Co-Mathematician 甚至大幅超过 GPT-5.5 Pro（47.9% 对 39.6%）。它尚未广泛提供，仅限研究发布。
我们在Gemini 3.5 Flash 对比 Claude Opus 4.7中的一个意外发现再次出现：在多步金融推理的 Finance Agent v2 榜单上，轻量得多的 Gemini 3.5 Flash 以 57.9% 居首（GPT-5.5 为 51.8%，Opus 4.7 为 51.5%）。这表明该模型在长序列中需要可靠调用外部工具的任务上表现出色。
多模态能力
在多模态上，Gemini 3.5 Flash 与 GPT-5.5 最具可比性。CharXiv 推理基准测试科研图表的视觉推理，Gemini 3.5 Flash 得分 84.2%，GPT-5.5 为 84.1%。基本打平；考虑到 3.5 Flash 的定位是速度优化，这一结果颇具意义。
在测试计算机界面操控的 OSWorld 基准中，两款模型与 Claude Opus 4.7 基本打平，范围在 78.0%（Gemini Flash 3.5）到 78.4%（GPT-5.5）之间。不过，Gemini Flash 3.5 并未提供计算机操作功能，因此该结果仅反映内部研究评估。
如果您需要能自主浏览网站的代理，请选择 GPT-5.5（或 Opus 4.7）。
上下文窗口与长上下文表现
两款模型均提供 100 万 token 的上下文窗口。更有趣的问题在于它们如何利用这一窗口。我们在 GPT-5.5 评测中发现，最能说明问题的是长上下文表现：GPT-5.4 在 MRCR needle 测试中大约超过 128K token 后表现崩塌，而 GPT-5.5 在 512K 乃至更长的范围内仍能稳住。在 512K–100 万上下文下，GPT-5.5 在 MRCR v2 8-needle 上得分 74.0%，而 GPT-5.4 为 36.6%。
两者在同一基准上的直接可比点是 128K 上下文。GPT-5.5 在 MRCR v2 8-needle（128K 平均）上得分 94.8%，而 Gemini 3.5 Flash 为 77.3%。差距不小：在该范围内，GPT-5.5 对长上下文中分散事实的检索与推理准确率明显更高。
在完整 100 万 token 量级上，情况不够明晰，因为公开数据无法直接对齐。Gemini 3.5 Flash 在 MRCR v2 8-needle（100 万点对点）上得分 26.6%，较 Gemini 3.1 Pro 的 26.3% 略有提升。
OpenAI 尚未公布 GPT-5.5 可直接对比的 100 万点对点分数，因此无法在该范围给出正面结论。但 GPT-5.5 在 512K–100 万区间另一组 MRCR 切片上达到 74.0%，这暗示其长上下文保持力更佳。
在 Graphwalks 基准（测试长上下文中图结构推理）上，GPT-5.5 在 100 万 token 的 BFS 中得分 45.4%。Gemini 3.5 Flash 在该具体基准上的分数尚未公开。
务实结论：在可测量范围内，GPT-5.5 的长上下文能力更强。
定价
这是对比最鲜明的部分。Gemini 3.5 Flash 的定价约为每 100 万输入 token 1.50 美元、每 100 万输出 token 9.00 美元。GPT-5.5 则为每 100 万输入 token 5.00 美元、每 100 万输出 token 30.00 美元，整体比 Gemini 3.5 Flash 贵逾 3 倍。
Google 的表述是：3.5 Flash 以不足其他前沿模型一半的成本提供前沿级性能。与 GPT-5.5 的定价相比，这一说法站得住脚。对于高吞吐的代理式工作负载，当每个工作流需要调用模型数百次时，成本差会迅速累积。
GPT-5.5 Pro 定价更高，每 100 万输入 token 30 美元、每 100 万输出 token 180 美元。该层面向最困难的推理任务，向 Pro、Business 与 Enterprise 用户提供。预计下月发布的 Gemini 3.5 Pro 在能力与价格上都会高于 3.5 Flash，但具体定价尚未公布。
| 模型 | 输入（每 100 万 tokens） | 输出（每 100 万 tokens） | 上下文窗口 |
|---|---|---|---|
| Gemini 3.5 Flash | 约 $1.50 | 约 $9.00 | 100 万 tokens |
| GPT-5.5 | $5.00 | $30.00 | 100 万 tokens |
| GPT-5.5 Pro | $30.00 | $180.00 | 100 万 tokens |
一个值得注意的细节：OpenAI 表示，GPT-5.5 在完成相同的 Codex 任务时，所用 token 显著少于 GPT-5.4。因此，按 token 计价的上涨并不会线性转化为代理式工作流的总体成本上涨。尽管如此，即便计入 token 效率的提升，Gemini 3.5 Flash 在 API 层面仍便宜许多。
何时选择 Gemini 3.5 Flash 或 GPT-5.5
决策主要取决于三点：对成本的敏感度、您从事的代理式工作类型、以及您所在的生态系统。以下是我对常见场景的建议。
| 使用场景 | 推荐 | 原因 |
|---|---|---|
| 高吞吐、重工具调用的代理管线 | Gemini 3.5 Flash | MCP Atlas 领先（83.6% vs 75.3%），且每 token 成本约低 3 倍 |
| 以终端为主的 DevOps 与 shell 自动化 | GPT-5.5 | Terminal-Bench 2.0 领先至 82.7%；复杂 CLI 工作流更强 |
| 金融文档分析与重 OCR 的工作流 | Gemini 3.5 Flash | Finance Agent v2 领先（57.9% 对 GPT-5.5 的 51.8%） |
| 抽象推理与高难度数学问题 | GPT-5.5 | ARC-AGI-2 领先（84.6% 对 72.1%）；FrontierMath 第 4 层更强 |
| 可视化图表与科研图像理解 | 两者皆可（基本打平） | CharXiv 推理：84.2% vs 84.1%；可基于其他因素选择 |
| Google Workspace 与 Android Studio 集成 | Gemini 3.5 Flash | 通过 Antigravity 原生集成 Docs、Sheets、Gmail、Android Studio |
| 超过 128K token 的长上下文文档处理 | GPT-5.5 | 已公布的 MRCR 分数显示在 100 万 token 范围内表现稳定；GPT-5.4 在 128K 之后崩塌 |
| 规模化、对成本敏感的生产部署 | Gemini 3.5 Flash | 每 100 万 tokens 约 $1.50/$9.00，对比 GPT-5.5 的 $5.00/$30.00 |
在以下情况下选择 Gemini 3.5 Flash：
- 您的代理在每个工作流中会进行大量工具调用。83.6% 的 MCP Atlas 分数清楚表明 3.5 Flash 针对可规模化、可靠的工具使用进行了调优，而 Antigravity harness 为并行运行子代理提供了一方框架。
- 成本是首要约束。按 token 计价约为 GPT-5.5 的三分之一，3.5 Flash 是高吞吐工作负载的显然之选，尤其当您每天需消耗数百万 token 时。
- 您已深度使用 Google 生态。如果团队使用 Google Workspace、BigQuery 或 Android Studio，借助 Gemini Enterprise Agent Platform 的原生集成可显著降低摩擦。
- 您的工作涉及金融文档、发票或复杂图表。Finance Agent v2 与 CharXiv 推理的结果均显示，该模型对结构化的可视化与金融数据处理得心应手。
- 用户侧对速度敏感。Google 声称 3.5 Flash 的输出 token 每秒速度比其他前沿模型快四倍，这对需流式响应的 C 端应用是实打实的优势。
在以下情况下选择 GPT-5.5：
- 您的工作以终端为主。82.7% 的 Terminal-Bench 2.0 分数与 Codex 集成，使 GPT-5.5 更适合 shell 自动化、Docker/kubectl 工作流与复杂 CLI 编排。
- 您需要当前最强的抽象推理能力。84.6% 的 ARC-AGI-2 与 FrontierMath 第 4 层（35.4%）的结果，让 GPT-5.5 在需要新颖推理而非模式匹配的任务上占优。
- 128K token 以上的长上下文可靠性至关重要。已公布的 MRCR 数据显示，GPT-5.5 能在 100 万 token 范围内保持稳定，而 GPT-5.4 未能做到，这对重文档的研究工作流十分关键。
- 您从事科学研究或生物信息学。GeneBench（25.0%）与 BixBench（80.5%）的结果，加上 Ramsey 数证明示例，表明 GPT-5.5 作为定量生物与数学研究的协作助手确有价值。
- 您的团队已在使用 Codex 或 ChatGPT。Plus/Pro/Business/Enterprise 的覆盖意味着多数团队已可直接使用，且 Codex 集成成熟。
结语
最清晰的归纳方式是：在原始推理与以终端为主的代理式编码上，GPT-5.5 更强；在重工具的管线、金融文档工作，以及以成本与速度为首要约束的部署上，Gemini 3.5 Flash 更合适。两者并未全域碾压，基准差距也足够小，以至于生态适配与定价将决定多数真实世界的选择。
这次对比中，我认为最值得关注的是 MCP Atlas 的结果。Gemini 3.5 Flash 在测试多步工具调用的基准上拿到 83.6%，而 GPT-5.5 为 75.3%，这非常有意义。2026 年代理式工作流似乎是主流趋势，因此这一差距可能比 Terminal-Bench 的反向差距更重要。
另一个值得观望的是 Gemini 3.5 Pro。Google 表示它已在内部使用，预计下月发布。如果 3.5 Pro 相对 3.5 Flash 的提升幅度能重现 3.1 Pro 相对 3 Flash 的跃升，竞争态势将再次变化。就目前而言，3.5 Flash 是多数生产级代理工作负载更具性价比的选择；当推理深度与终端可靠性不可妥协时，则应选择 GPT-5.5。
如果您想亲手实践代理式 AI 概念，并用这些模型进行构建，推荐查看我们的 AI Agent Fundamentals 技能路径。