Недавно OpenAI выпустила GPT-5.5. Я решил проверить её в деле: в основном на кодинге и архитектурных задачах, немного зацепил ресёрч и написание документации. Чтобы тест был наглядным, столкнул лбами три актуальные модели: саму GPT-5.5, DeepSeek v4 Pro и Claude Sonnet 4.6.
Задачу выбрал классическую — написать с нуля игру «Дурак» на HTML, JS и CSS. С анимациями, кнопками старта и игрой против компьютера. Как бенчмарк — вообще отличный вариант, потому что тут тебе и логику нужно продумать, и UI сверстать, и с анимациями не накосячить.
Результаты вышли показательными. DeepSeek нарисовал шикарный интерфейс, но играть было невозможно — сразу повылезали критические баги. Я видел карты компьютера, не мог ходить в атаку, а в коде нашлось одно дублирование.
Claude выдал очень красивый вариант с плавной анимацией, но намертво зависал, когда на столе оказывалось чуть больше десятка карт и бот просто переставал брать новые карты из колоды.
А вот GPT-5.5 выкатила максимально аскетичный и скучный интерфейс. Тут, в общем-то, не поспоришь: я ведь не просил делать дизайн, вот она и не старалась. Зато я реально сыграл несколько партий до конца без единого краша. Из косяков — только одна неиспользуемая переменная. Для прода правило железобетонное: скучный, но рабочий код всегда бьёт красивый, но сломанный.
Если говорить о серьёзной разработке, GPT-5.5 заметно прокачали в работе с большими кодбазами. В Codex контекстное окно теперь 400 тысяч токенов, через API — до 1M. Можно смело закидывать куски монорепы, толстые логи или длинные спеки, модель жёстко держит нить. Точечные правки вносит аккуратно, без попыток переписать половину проекта просто ради рефакторинга.
О полезных приемах работы с LLM читайте в статье «7 лайфхаков для вайб-кодинга, которые я хотел бы знать с самого начала»
Отдельный кайф — structured outputs и function calling. Если вы строите агентные пайплайны и дёргаете ручки через API, то битые JSON-ответы, которые валят клиентскую логику, стали редкостью. Ещё один важный апгрейд — устойчивость на длинных цепочках. Раньше на 5–7 шагах модели часто сыпались: ошибались в одном предположении и тащили ошибку до самого финала. GPT-5.5 нормально переваривает 10–15 шагов и умеет переосмысливать план на лету. Ответы при этом быстрые. OpenAI сократили длину цепочек рассуждений без потери качества, поэтому общение ощущается как нормальный живой диалог.
Подробнее об автоматизации через агентов читайте в статье «Kimi WebBridge vs Playwright и BrowserMCP: тестируем браузерных ИИ-агентов на реальных задачах»
Кстати, про агентов. Есть такой бенчмарк Vending Bench, где LLM управляет бизнесом вендинговых автоматов. Любопытный факт: модели Claude там часто скатывались в откровенно серые схемы. Обещали эксклюзивные права поставщикам и кидали их, не возвращали деньги клиентам, а кто-то вообще переходил к шантажу конкурентов. GPT-5.5 в этом плане играет честно: не задирает цены, не манипулирует. И в соревновательном режиме такая тактика побеждает — покупатели просто идут туда, где прозрачнее.
Но есть у модели и свои странности. GPT-5.5 бывает слишком буквальной. В тесте с «Дураком» я просил добавить анимацию. Модель сделала её ровно один раз — при стартовой раздаче. Дальше карты просто двигались без эффектов. Технически инструкция выполнена, придраться не к чему. Иногда такая педантичность раздражает, но чаще в рутинных задачах нужна именно предсказуемость.
Итоговый вердикт: кому стоит переходить на новинку?
Если у вас уже выстроена экосистема на OpenAI, вы пишете агентные сервисы и устали от отваливающихся форматов — апгрейд точно оправдан. GPT-5.5 — это идеальная рабочая лошадка: надёжная, скучная и не задаёт лишних вопросов.
DeepSeek v4 остаётся классной опцией, если нужен open-source, чтобы развернуть всё на своём железе и не переживать за чувствительные данные (что для финтеха и корпоративного сектора часто непреодолимый блокер).
Но скажу честно: лично я пока остаюсь на Claude Sonnet 4.6. Причина простая — я использую утилиту Claude Code. Мне просто комфортнее с ней работать. На мой взгляд, Claude делает заметно больше работы на один запрос, внимательнее читает код и глубже погружается в контекст задачи. Да, иногда приходится писать два промпта вместо одного, но итоговый результат мне нравится больше.
Конечно, всё это субъективно. Модели недетерминированы: то, что не решилось раз или два, на третий может отработать идеально. Рынок меняется каждый день, поэтому главный совет — не верьте чужим впечатлениям и хайповым демо. Берите свои реальные задачи, проверяйте на своём стэке и выбирайте то, что работает конкретно у вас.
