在编程AI领域，一场突破性进展引发了广泛关注。一个名为ProgramBench的全新编程基准测试，此前让所有前沿AI模型集体折戟——200道编程难题，无一被完整攻克。然而，这一局面被最新发布的GPT-5.5打破，它成为首个在该基准测试中取得突破的模型，成功解出了第一道难题。
ProgramBench的测试难度远超传统编程基准。以往测试如SWE-bench或Humaneval，主要考察模型修复代码中的错误或补全函数的能力，相当于“开卷考试”或“半开卷考试”。而ProgramBench则要求模型从零开始重建程序：仅提供一个编译好的可执行文件和一份文档，不提供源代码，禁止反编译，也不允许联网查询。测试任务涵盖从简单的工具如jq、ripgrep，到复杂的系统如FFmpeg、SQLite和PHP编译器。
GPT-5.5的突破性表现体现在多个方面。在攻克首个任务——实现经典终端程序“cmatrix”的数字雨效果时，GPT-5.5展示了惊人的策略灵活性。其“high”版本使用C语言，通过10轮探索测试了40多种命令行参数组合，彻底摸清了原程序的行为模式，随后一次性写出完整代码，仅需5次微调即通过所有测试。而“xhigh”版本则选择Python，通过27步详细探索，覆盖了所有命令行路径，最终一气呵成完成实现。两个版本均以满分通过行为测试。
与GPT-5.5形成鲜明对比的是，其他模型在该测试中表现不佳。以Claude Opus 4.7为例，其“xhigh”版本在测试中消耗了10.74美元成本，调用API达178次，是GPT-5.5普通版成本的10倍，但最终仍有19个测试失败。失败原因包括对颜色解析的大小写敏感问题，以及无效颜色退出码设置错误。尽管Opus 4.7在处理缺失的ncurses头文件时展现了复杂的系统工程能力——通过检查动态库链接符号并手写头文件声明，但这一创新并未转化为更好的测试成绩。
测试数据进一步凸显了GPT-5.5的优势。在未开启高推理模式的“medium”版本中，GPT-5.5的成绩仅略优于Claude Sonnet 4.6。但切换到“xhigh”模式后，其性能实现质的飞跃：不仅成为首个解出题目的模型（通过率0.05%），还在26个任务中通过了超过95%的单元测试。在累积直方图分析中，GPT-5.5“xhigh”在平均分、中位数、≥90%通过率和≥50%通过率等所有指标上均全面领先对手。
这一突破揭示了推理算力在编程AI中的核心作用。ProgramBench的测试结果表明，同一模型在不同推理算力配置下，性能表现差异巨大。GPT-5.5从“medium”到“xhigh”的模式切换，相当于从“交白卷”到“断层碾压”的转变。这种性能跃升验证了推理算力与模型能力之间的非线性关系——智能水平不再是固定值，而是算力的函数。
目前，ProgramBench的200道测试题中仍有199道未被攻克，通过率仅为0.05%。这一超低通过率与SWE-bench等传统基准测试中AI模型高达88.7%的通过率形成鲜明对比，凸显了ProgramBench作为新一代编程基准的严格标准。随着推理算力的持续提升，编程AI正从“修复代码”向“创造程序”迈进，这一转变可能重新定义人工智能在软件开发领域的角色。
