Will Koh 對 GPT-5.5 的第一印象
🏦 台灣Pay 銀行轉帳 💙 PayPal
Ramp 的 AI 工程師 Will 分享試用 GPT-5.5 的第一印象與內部評測結果
- 00:00 Will 說 AI 寫程式從大約兩年前的 tab completions，進展到現在可以把模糊的任務交給 AI，由它拆解並完成
- 01:37 Ramp 的自家 harness 叫 Inspect，接上 GPT-5.5 基本上 plug and play。模型還會自己找出新方法，運用資料庫、telemetry 工具來解決問題
- 03:08 在 Ramp 內部從大型客戶財務文件抽取資訊的 benchmark 上，GPT-5.5 的 perfect extraction rate 表現最高
💡 你可以怎麼用：下次用 AI 時，可以先試著只講目標和背景，例如「幫我整理這份報表，找出異常支出」，不要一開始就寫詳細步驟。看它能不能自己規劃，再針對結果補充說明，這樣通常比寫長篇指令省時間。
看全部 7 條重點
🧑🏫 Ramp（一家美國企業財務管理公司）的 AI 工程師 Will，分享他試用 GPT-5.5 的第一印象，以及公司內部評測的結果。重點不是跑分多高，而是實際工作時，「交代模糊任務給 AI」這件事變得多可行。如果你常覺得跟 AI 講話得字斟句酌，這支影片會讓你知道這件事正在改變。
- 00:00 Will 說 AI 寫程式從大約兩年前的 tab completions，進展到現在可以把模糊的任務交給 AI，由它拆解並完成↳ 兩年前 AI 寫程式大多是 tab completions：你打幾個字，它猜下一段，按 Tab 就補上。現在可以直接丟一個沒講清楚的任務給它，它會自己拆成步驟，一路做完。
- 00:33 Will 對 GPT-5.5 的第一印象是它真的懂使用者想做什麼。以前的 prompt 必須寫得很詳細、像在下指令↳ prompt 就是你打給 AI 的指示。以前要寫得像操作手冊，每一步都交代清楚。Will 覺得 GPT-5.5 比較能抓到你真正想達成什麼，不用講到那麼細。
- 01:04 給 GPT-5.5 模糊的任務時，它會自己把研究和探索導向 codebase 裡正確的地方，提出幾種可能的做法，然後把事情做完↳ codebase 是一個專案的全部程式碼。任務講得不清楚時，GPT-5.5 會自己去翻對的地方找線索，列出幾種做法，再把事情做完，不會在錯的地方瞎忙。
- 01:37 Ramp 的自家 harness 叫 Inspect，接上 GPT-5.5 基本上 plug and play。模型還會自己找出新方法，運用資料庫、telemetry 工具來解決問題↳ harness 是讓模型能動手做事的工作環境，Ramp 自己做的叫 Inspect。GPT-5.5 接上去就能直接用（隨插即用），還會主動拿資料庫和 telemetry（系統運作紀錄）來查問題。
- 02:07 Will 說其他模型需要他指定要用哪個工具，有時還會用錯工具，得介入很多次；GPT-5.5 則會自己找出解決方法↳ 用其他模型時，Will 常要指定「這一步用哪個工具」，模型有時還會拿錯，他得一再出手糾正。GPT-5.5 比較能自己判斷該用什麼，人不用一直盯著。
- 02:38 大型任務用完 context window 時，GPT-5.5 在 compaction 前後能把正確的細節、發現和目標傳下去，繼續做事，就像沒發生過 compaction↳ context window 是模型一次能記住的內容量。任務太大、把它塞滿時，會做 compaction，也就是把前面的內容壓縮精簡。GPT-5.5 壓縮後仍記得關鍵細節、發現和目標，可以接著做。
- 03:08 在 Ramp 內部從大型客戶財務文件抽取資訊的 benchmark 上，GPT-5.5 的 perfect extraction rate 表現最高↳ benchmark 是固定的評測考題。Ramp 拿大型客戶的財務文件，測模型抽資料的能力。完全不需人工修正就全對的比率叫 perfect extraction rate，GPT-5.5 在這項最高。
📘 術語
harness（執行框架）：Ramp 自家打造、用來接模型的環境，名叫 Inspect，能讓模型使用資料庫和 telemetry 工具
compaction（上下文壓縮）：大型任務用完 context window 時進行壓縮；GPT-5.5 能在壓縮前後保留細節、發現和目標
perfect extraction rate（完美抽取率）：從大型客戶財務文件抽取資訊時，完全不需人工介入（zero touch）就全部正確的比率
tab completions（Tab 自動補全）：Will 說大約兩年前 AI 寫程式是從 tab completions 開始的
compaction（上下文壓縮）：大型任務用完 context window 時進行壓縮；GPT-5.5 能在壓縮前後保留細節、發現和目標
perfect extraction rate（完美抽取率）：從大型客戶財務文件抽取資訊時，完全不需人工介入（zero touch）就全部正確的比率
tab completions（Tab 自動補全）：Will 說大約兩年前 AI 寫程式是從 tab completions 開始的
✏️ 小考一題
根據影片，Ramp 內部所說的「perfect extraction rate」是指什麼？
A. compaction 後模型仍保留原本目標的比率B. 模型第一次呼叫資料庫工具就選對工具的比率C. 從大型客戶財務文件抽取資訊時，zero touch 就全部正確的比率D. 模型在 Inspect harness 裡完成任務的速度看答案
答案：C。[02:38]～[03:08] Will 說 Ramp 的 benchmark 會測從大型客戶財務文件抽取資訊，zero touch 就全部正確的情況稱為 perfect extraction rate
💛 覺得有幫助？支持一下
課本免費、沒有廣告，支持與否都能照常讀 🐰