2026 年 5 月 15 日，Databricks 宣布 GPT-5.5 在其企业级 Agent 基准 OfficeQA Pro 上创下新纪录：首个突破 50% 准确率的模型，比 GPT-5.4 错误率降低 46%。这不是又一个刷榜数据——它揭示了 Agent 工程化落地的核心瓶颈和突破方向。

Databricks 研究工程师 Arnav Singhvi 评价：「Codex with 5.5 is now state-of-the-art amongst all the agents and models out there.」

📌 OfficeQA Pro：企业 Agent 的「真战场」

OfficeQA Pro 不是又一个代码生成基准。它评估的是 Agent 在真实企业文档场景中的端到端表现，三大核心能力维度：

  • PDF 解析：扫描件、老文件的数字提取——小数点、金额、日期等关键信息的精确捕获
  • 长上下文检索：在海量文档中精准定位相关信息，而非「大海捞针」
  • 多步推理：跨文档的逻辑推理、数据关联、结论推导

这些任务在生产环境中频繁导致 Agent 系统崩溃。OfficeQA Pro 的价值在于：它测的不是「模型能不能回答问题」，而是「Agent 能不能在真实企业文档中闭环完成任务」。

🔥 关键数据

核心指标

  • 准确率 50%：OfficeQA Pro 历史上首个突破 50% 的模型
  • 错误率降低 46%：相比 GPT-5.4，几乎砍掉一半错误
  • SOTA：在所有评测模型和 Agent 组合中排名第一

最大提升领域：解析重型工作流

Databricks 观察到 GPT-5.5 最大的提升出现在「解析重型」场景——扫描件和老文件的数字提取。Singhvi 描述：「Earlier models like 5.4 were unable to parse all the digits correctly, but it seems like 5.5 has a step-function lift in parsing older documents and scanned PDFs.」

这是一个典型的「一步错、步步错」问题：解析阶段漏掉一个数字，后续整个推理链条全部偏离。GPT-5.5 在源头就解决了这个问题。

多步编排的可靠性提升

另一个关键改进是多步任务编排的可靠性。Singhvi 指出：「One thing that we saw with 5.4 is sometimes it would go on these unnecessary search detours, and that would cause very inefficient trajectories.」

GPT-5.4 会在执行过程中「跑偏」——去做不必要的搜索、探索无关的上下文，导致效率低下甚至任务失败。GPT-5.5 能精准检索上下文，走完完整流程，无需额外人工监督。

🧠 技术架构：AgentBricks + Agent Supervisor API

Databricks 通过 AI Unity Gateway 将 GPT-5.5 提供给企业客户，核心架构由两部分组成：

  • AgentBricks：Agent 构建框架，支持企业自定义 Agent 工作流
  • Agent Supervisor API：Agent 编排层，GPT-5.5 作为 supervisor 协调多个专业 Agent 的解析、检索和执行

在这个架构中，GPT-5.5 不是直接处理所有任务，而是作为「监督者」角色——编排专业 Agent 完成子任务，确保整体流程的可靠性。Singhvi 预测：「We're going to see a lot of customers using AgentBricks and Agent Supervisor API for custom agent workflows. Having GPT-5.5 supervise these workflows is really exciting.」

🔑 关键洞察

洞察一：模型能力的天花板在「多步编排的可靠性」，不在「单次推理」

这是 Harness Engineering 的核心观点在真实企业场景中的验证。GPT-5.5 的突破不只是「推理更准了」，而是「在多步编排中更可靠了」。从 5.4 到 5.5 的 46% 错误率降低，主要来自两个方面：

  • 源头准确性：解析阶段不再漏关键数据
  • 流程可靠性：不再「跑偏」去做不必要的搜索

这两个改进都不是「单次推理能力」的提升，而是「系统级行为」的改善。模型在 harness 中的表现，远比模型本身的能力更重要。

洞察二：企业 Agent 的真正瓶颈是「文档解析」，不是「推理能力」

OfficeQA Pro 揭示了一个被忽视的事实：企业 Agent 最频繁失败的地方不是「想不明白」，而是「看不清楚」。扫描件、老文件、非结构化文档——这些是企业数据的主体，也是 Agent 最容易出错的地方。

GPT-5.5 的「step-function lift in parsing」表明，模型在文档理解层面的进步可能比推理层面的进步更有价值。这对企业 Agent 部署的启示：与其追求更强的推理模型，不如先解决文档解析的准确性。

洞察三：Agent Supervisor 模式正在成为企业 Agent 的标准架构

Databricks 的 AgentBricks + Agent Supervisor API 架构代表了一种趋势：企业 Agent 不再是「一个模型干所有事」，而是「一个 supervisor 编排多个专业 agent」。这与 Harness Engineering 的核心主张高度一致——系统设计比模型能力更重要。

GPT-5.5 在这个架构中的角色是「supervisor」而非「worker」，这暗示了模型能力的正确使用方式：让最强的模型负责编排和监督，而非直接执行所有子任务。

🚀 引发思考

对 Agent 部署的启示

如果你的企业 Agent 还在用「单模型 + 简单 prompt」的架构，是时候考虑引入 supervisor 模式了。Databricks 的实践表明，即使是最强的模型（GPT-5.5），在 supervisor 架构下的表现也显著优于直接执行模式。

对模型评测的启示

OfficeQA Pro 这类「企业真实任务」基准正在取代传统 benchmark。未来 12 个月，我们很可能看到：企业选型不再看 HumanEval/SWE-Bench，而是看「在我的真实文档场景中，Agent 的闭环完成率是多少」。

与 Harness Engineering 的呼应

这篇文章的核心论点——「模型是引擎，Harness 是整车调校」——在 Databricks 的实践中得到了完美验证。GPT-5.5 在 OfficeQA Pro 上的 SOTA 表现，离不开 AgentBricks + Agent Supervisor API 这套 harness 的支撑。没有好的 harness，再强的模型也无法在企业场景中发挥真正实力。

📎 相关阅读

  • OpenAI 官方案例：https://openai.com/index/databricks/
  • Databricks AgentBricks 文档：https://docs.databricks.com/
  • OfficeQA Pro 基准：Databricks 企业级 Agent 评测基准，覆盖扫描 PDF 解析 + 长上下文检索 + 多步推理

逍遥云初 | 2026.05.18