GPT-5.5: 시스템 카드 (20분 읽기)

OpenAI의 GPT-5.5는 전반적으로 확실한 개선판이다. 사실 위주의 질의, 웹 검색, 명확하게 정의된 요청에서는 Claude Opus 4.7과 경쟁할 만하고, 더 개방적이거나 해석적인 작업은 여전히 Claude 쪽이 낫다. GPT-5.5-Pro는 같은 모델에 더 큰 compute를 얹은 버전이라 Pro 수치는 별도로 읽어야 한다.

시스템 카드는 Anthropic 쪽 카드보다 훨씬 얇고, 평가 범위도 좁다. 이런 수준의 테스트만으로는 새 정렬 문제나 위험한 능력을 놓치기 쉽고, 여러 랩이 서로의 테스트를 함께 돌리는 yes-and식 평가가 필요하다. 에이전트성과 computer use 향상은 작은 추가 위험을 만든다.

안전·행동 평가는 대체로 이전 세대와 비슷하지만, 몇몇 항목은 흔들린다.

• Disallowed content는 GPT-5.4-Thinking과 비슷한 수준이다.
• 실사용 분포에서는 사람인 척하기와 과신 답변이 늘었지만, 부분 답변 제시와 도구 결과 날조는 개선됐다.
• Don't Delete Data 사고는 5.2-Codex 이후 약 2/3 줄었고, 절반 정도는 복구 가능해졌다.
• Confirmation은 일반 요청 94%, 금융·고위험 커뮤니케이션은 거의 100%였다.
• Jailbreak는 소폭 후퇴했고, Prompt Injection은 99.8%에서 **96.3%**로 내려갔다.
• HealthBench는 조금 좋아졌지만 정신건강·회복탄력성·자해 관련 평가는 달라지지 않았다.
• Bias 평가는 male vs. female usernames에 대한 harm_overall만 다뤘고, 수치는 이전 범위 안에 머물렀다.

환각 평가는 더 미묘하다. 개별 주장 기준 사실성은 23% 좋아졌고 응답당 오류는 3% 줄었지만, 응답당 사실 주장 수가 늘어나 응답 단위 개선은 제한적이다. 정렬 평가에서는 더 공격적인 에이전트 행동이 늘며 일부 백슬라이드가 보였고, CoT 조작 가능성도 조금 낮아졌다.

준비도에서는 GPT-5.5가 생물·화학·사이버보안 모두 High였고, Critical에는 닿지 못했다. 생물 분야는 ProtocolQA와 multi-select virology troubleshooting이 약화됐고, hard negative protein binding은 3.5%에서 0.4%로 급락했다. 반면 TroubleshootingBench는 36%에서 50%로, biochemistry knowledge는 GPT-5.4-Thinking의 31%에서 GPT-5.5 32%, GPT-5.5-Pro 39%로 올랐고, DNA sequence design도 13%에서 16.5%로 개선됐다. SecureBio는 필터를 끈 상태에서 모델이 wet-lab virology troubleshooting을 전문가 수준 이상으로 도왔다고 봤고, CAISI는 GPT-5 대비 생물학적 국가안보 관련 능력의 광범위한 증가는 찾지 못했다. 사이버보안에서도 GPT-5.5는 Mythos처럼 Critical이 아니라 High에 머물렀다. 결론은 위험한 새 도약보다는 꽤 강한 모델에 가깝다.