studioglobal
熱門發現
報告已發布8 來源

Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6 Benchmark 比較

冇單一總冠軍：同場資料顯示 Claude Opus 4.7 喺 GPQA Diamond 94.2% 同 SWE Bench Pro 64.3% 領先，而 GPT 5.5／GPT 5.5 Pro 喺 Terminal Bench 2.0 82.7% 同 BrowseComp 90.1% 領先；Kimi K2.6 缺少完整同場表，應作 shortlist 而非總冠軍。[4][10][24] DeepSeek V4 Pro Max 在同場表未做第一，但 BrowseComp 83.4% 接近 GPT 5.5 84.4%；報道稱 DeepSeek 約為最新美國模型成本六分之一，適合成本敏感場景先測。[4][20] 軟件工程方面，Cl...

使用 Studio Global AI 搜尋並查核事實從「發現」瀏覽更多內容
15K0
Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6 在 AI benchmark 儀表板上比較的概念圖
Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6 Benchmark：邊個場景最強？AI 生成概念圖：四個前沿模型按 benchmark、成本同場景拆解比較。
AI 提示

Create a landscape editorial hero image for this Studio Global article: Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6 Benchmark：邊個場景最強？. Article summary: 冇單一總冠軍：Claude Opus 4.7 喺 GPQA Diamond 94.2% 同 SWE Bench Pro 64.3% 領先；GPT 5.5／GPT 5.5 Pro 喺 Terminal Bench 2.0 82.7% 同 BrowseComp 90.1% 領先。Kimi K2.6 缺少完整同場表，所以只能按分散數據放入 shortlist。[4][10][24]. Topic tags: ai, llm, benchmarks, openai, anthropic. Reference image context from search candidates: Reference image 1: visual subject "* 编码与代理任务并非单一结论：VentureBeat 汇总显示 GPT-5.5 在 Terminal-Bench 2.0 为 82.7%，高于 DeepSeek V4 的 67.9% 和 Claude Opus 4.7 的 69.4%。[6]. * 推理评测存在分裂：Humanity’s Last Exam 无工具设置下，Claude Opus 4.7 为" source context "GPT-5.5 vs Claude Opus 4.7 vs DeepSeek V4 vs Kimi K2.6：2026 基准测试研究报告 | Deep Research | Studio Global" Reference image 2: visual subject "A comparison chart highlights the coding benchmark performances and costs of Kimi-K2.

openai.com

四個模型放在同一張比較表，最容易變成「邊個最強」；但按現有可核對資料，更穩妥的結論是：不要排一個總榜，要按任務揀模型。最完整的同場數據覆蓋 DeepSeek V4-Pro-Max、GPT-5.5／GPT-5.5 Pro 和 Claude Opus 4.7；Kimi K2.6 的數據則分散在 context window、BrowseComp、SWE-Bench Pro、Hugging Face model card 和單一實務 coding benchmark，所以只能作輔助比較。[4][6][10][16][22][24]

快速結論：四個模型應該點揀？

場景建議先測理由
高難度推理、無工具問答Claude Opus 4.7同場表中，Claude Opus 4.7 在 GPQA Diamond 94.2% 和 Humanity’s Last Exam no-tools 46.9% 都是最高。[4]
Terminal、browser、tool-use agentGPT-5.5／GPT-5.5 ProGPT-5.5 在 Terminal-Bench 2.0 得 82.7%；GPT-5.5 Pro 在 BrowseComp 得 90.1%，均為同表最高。[4]
Software engineeringClaude Opus 4.7 先試；GPT-5.5、Kimi K2.6 跟進實測同場表中 Claude Opus 4.7 在 SWE-Bench Pro／SWE Pro 得 64.3%；LLM Stats 亦列 Claude Opus 4.7 為 0.64，高於 GPT-5.5 和 Kimi K2.6 的 0.59。[4][24]
成本敏感、大量 API 調用DeepSeek V4DeepSeek V4-Pro-Max 在同場 benchmark 未做第一，但有報道稱 DeepSeek 約為最新美國模型成本六分之一。[4][20]
Kimi 生態、替代 coding-agent 路線Kimi K2.6Kimi K2.6 在 DocsBot 的 BrowseComp 為 83.2%，在 LLM Stats 的 SWE-Bench Pro 為 0.59；但缺少完整四模型同源同場表。[10][24]
超長 context workflowClaude Opus 4.7／GPT-5.5 較有優勢Yahoo/Tech 報道列 GPT-5.5 和 Claude Opus 4.7 為 1M context window；Artificial Analysis 比較頁列 Kimi K2.6 為 256k tokens、Claude Opus 4.7 為 1000k tokens。[6][20]

最有用的同場 benchmark：Claude、GPT-5.5、DeepSeek V4-Pro-Max

以下數字來自同一比較表，適合用來比較 DeepSeek V4-Pro-Max、GPT-5.5／GPT-5.5 Pro 和 Claude Opus 4.7；GPT-5.5 Pro 只在部分項目出現。[4]

BenchmarkDeepSeek V4-Pro-MaxGPT-5.5GPT-5.5 ProClaude Opus 4.7同表最高
GPQA Diamond90.1%93.6%—94.2%Claude Opus 4.7 [4]
Humanity’s Last Exam，no tools37.7%41.4%43.1%46.9%Claude Opus 4.7 [4]
Humanity’s Last Exam，with tools48.2%52.2%57.2%54.7%GPT-5.5 Pro [4]
Terminal-Bench 2.067.9%82.7%—69.4%GPT-5.5 [4]
SWE-Bench Pro／SWE Pro55.4%58.6%—64.3%Claude Opus 4.7 [4]
BrowseComp83.4%84.4%90.1%79.3%GPT-5.5 Pro [4]
MCP Atlas／MCPAtlas Public73.6%75.3%—79.1%Claude Opus 4.7 [4]

這張表的讀法很清楚：Claude Opus 4.7 領先高難度推理、無工具解題、software engineering 和 MCP Atlas；GPT-5.5 系列則在 terminal、browser 和工具使用類任務更突出。[4] DeepSeek V4-Pro-Max 在這組同場數據未做任何一項第一，但 BrowseComp 83.4% 接近 GPT-5.5 的 84.4%，亦高過 Claude Opus 4.7 的 79.3%。[4]

Kimi K2.6：有亮點，但不能硬放入同一總榜

Kimi K2.6 的問題不是完全沒有數據，而是數據來源、模式和對照組不一致。以下數字可以幫你判斷它值不值得測，但不應直接當成與上表完全同場的排名。[6][10][16][22][24]

指標Kimi K2.6 可見資料對照資料可用解讀
Context window256k tokensClaude Opus 4.7 在同一比較頁列為 1000k tokensClaude 的可用上下文長度明顯較大。[6]
BrowseComp83.2% Thinking modeDeepSeek-V4 Pro 為 83.4% Pass@1／Think MaxKimi 與 DeepSeek-V4 Pro 在這個來源非常接近，但未同時列 GPT-5.5 或 Claude Opus 4.7。[10]
AIME 2026／APEX AgentsAIME 2026 為 96.4%；APEX Agents 為 27.9%DeepSeek-V4 Pro 在同頁顯示 not available顯示 Kimi 有數學與 agent 類指標，但缺少四模型同場對照。[10]
SWE-Bench Pro0.59Claude Opus 4.7 為 0.64、GPT-5.5 為 0.59、DeepSeek V4-Pro-Max 為 0.55在 LLM Stats 這個榜上，Kimi 與 GPT-5.5 同分，低於 Claude，高於 DeepSeek。[24]
MMLU-Pro／SimpleQA-VerifiedMMLU-Pro 87.1；SimpleQA-Verified 36.9DS-V4-Pro Max 分別為 87.5 和 57.9可輔助比較 Kimi 與 DeepSeek；但同表的 Opus／GPT 是 Opus-4.6 Max 和 GPT-5.4 xHigh，不是本文指定版本。[22]
實務 coding benchmark87 分Claude Opus 4.7 為 97、GPT-5.5 xHigh 為 96、DeepSeek V4 Flash 為 78、DeepSeek V4 Pro 為 69有實務參考價值，但這是單一 coding 測試，不應取代標準化 benchmark 或你自己的 repo eval。[16]

因此，Kimi K2.6 的合理定位是：值得進入 shortlist，尤其是你想測 Kimi 生態、替代模型路線或 coding-agent 成本時；但現有資料不足以支持它在四模型之中成為可證明的總冠軍。[10][16][24]

價格、context window 與部署成本

Benchmark 只能回答能力問題，不能單獨回答 production 選型。API 價格、output token 成本、上下文長度和模型體量，會直接影響實際使用成本。

模型可確認資料選型含義
GPT-5.5每 100 萬 input tokens $5；每 100 萬 output tokens $30；1M context window與 Claude Opus 4.7 input 價相同，但同一報道列出的 output 價較高。[20]
Claude Opus 4.7每 100 萬 input tokens $5；每 100 萬 output tokens $25；1M context window同一報道中，output token 價低過 GPT-5.5；Artificial Analysis 亦在 Kimi 對照頁列 Claude 為 1000k context。[6][20]
Kimi K2.6256k context windowcontext window 較 Claude Opus 4.7 的 1000k tokens 短；本文來源未提供足夠可核對 token pricing。[6]
DeepSeek V4報道稱 DeepSeek 約為最新美國模型成本六分之一；DataCamp 列 DeepSeek V4 Pro 為 MoE、1.6T total parameters、49B active parameters、865GB download，Flash 為 284B total parameters、13B active parameters、160GB download若只用 API，DeepSeek 的吸引力主要是成本；若考慮自部署或私有化，模型體量和硬件成本要一併計。[13][20]

這裏最重要的成本訊號是：GPT-5.5 和 Claude Opus 4.7 在報道中同樣是 $5／1M input tokens，但 GPT-5.5 的 output 價為 $30／1M，Claude Opus 4.7 為 $25／1M；DeepSeek 則以約六分之一成本的敘事切入。[20]

按任務深入選型

1. 高難度推理：Claude Opus 4.7 先試

如果任務是學術推理、無工具解題、複雜分析或高可靠度問答，Claude Opus 4.7 是現有同場 benchmark 最有力的第一選擇。它在 GPQA Diamond 得 94.2%，高於 GPT-5.5 的 93.6% 和 DeepSeek V4-Pro-Max 的 90.1%；Humanity’s Last Exam no-tools 亦以 46.9% 領先同表模型。[4]

2. Terminal、browser、tool-use agent：GPT-5.5／GPT-5.5 Pro 先試

如果任務重點是 terminal 操作、browser agent、工具鏈控制或有工具解題，GPT-5.5 系列更突出。GPT-5.5 在 Terminal-Bench 2.0 得 82.7%，高於 Claude Opus 4.7 的 69.4% 和 DeepSeek V4-Pro-Max 的 67.9%；GPT-5.5 Pro 在 BrowseComp 得 90.1%，亦是同表最高。[4]

3. Software engineering：Claude 領先，但 GPT-5.5 與 Kimi 都要實測

同場表中，Claude Opus 4.7 在 SWE-Bench Pro／SWE Pro 得 64.3%，高於 GPT-5.5 的 58.6% 和 DeepSeek V4-Pro-Max 的 55.4%。[4] LLM Stats 的 SWE-Bench Pro 排名方向相近：Claude Opus 4.7 為 0.64，GPT-5.5 和 Kimi K2.6 同為 0.59，DeepSeek V4-Pro-Max 為 0.55。[24]

不過，coding benchmark 很容易受 repo、語言、測試框架、agent 設定和提示方式影響。單一實務 coding 測試列出 Claude Opus 4.7 97、GPT-5.5 xHigh 96、Kimi K2.6 87、DeepSeek V4 Flash 78、DeepSeek V4 Pro 69；這些數字有參考價值，但不應單獨決定 production 選型。[16]

4. 成本敏感、大量調用：DeepSeek V4 值得優先測

如果瓶頸是 token 成本，而任務不一定要求每個 benchmark 都最高，DeepSeek V4 是合理候選。同場資料顯示 DeepSeek V4-Pro-Max 在多項 benchmark 接近前線模型但未做第一；同時，報道稱 DeepSeek 約為最新美國模型成本六分之一。[4][20]

要注意的是，DeepSeek V4 Pro 的模型規格相當大：DataCamp 列 Pro 版為 1.6T total parameters、49B active parameters、865GB download。[13] 如果不是只用第三方 API，而是要評估部署或私有化，硬件、下載、推理成本和維運能力都要一併納入。

5. Kimi K2.6：放入 shortlist，用自己的任務重跑 eval

Kimi K2.6 有幾個值得留意的訊號：DocsBot 列 Kimi K2.6 的 BrowseComp 為 83.2%，幾乎貼近同頁 DeepSeek-V4 Pro 的 83.4%；LLM Stats 列 Kimi K2.6 在 SWE-Bench Pro 為 0.59，與 GPT-5.5 同分；實務 coding benchmark 亦列出 Kimi K2.6 為 87 分。[10][16][24]

但由於缺少與 Claude Opus 4.7、GPT-5.5、DeepSeek V4-Pro-Max 完整同源、同設定、同場覆蓋的 benchmark，Kimi K2.6 目前最好視為高潛力候選，而不是可直接宣布的四模型總冠軍。[10][24]

研究限制：點解唔應過度解讀排名

  1. Kimi K2.6 缺少完整同場表。 最完整的同場資料覆蓋 DeepSeek V4-Pro-Max、GPT-5.5／GPT-5.5 Pro 和 Claude Opus 4.7，但不包括 Kimi K2.6；Kimi 需要靠 DocsBot、Artificial Analysis、LLM Stats、Hugging Face model card 和單一 coding benchmark 補充。[4][6][10][16][22][24]
  2. 版本與模式名稱不一致。 來源中同時出現 GPT-5.5 Pro、GPT-5.5 xHigh、DeepSeek-V4 Pro、DeepSeek V4-Pro-Max、Kimi Thinking、Claude Opus 4.7 Adaptive Reasoning／Max Effort 等標記，不應簡單視為完全同設定。[4][6][10][16][22]
  3. 不同平台分數格式未必可直接相加。 例如同場表用百分比列 SWE-Bench Pro／SWE Pro，而 LLM Stats 用 0.xx 格式列 SWE-Bench Pro；更穩妥做法是先比較同一來源內的相對排名，再用自己的任務重跑 eval。[4][24]
  4. 價格資料不平均。 GPT-5.5 和 Claude Opus 4.7 有清楚的 input／output token 報道價；DeepSeek 主要有約六分之一成本說法；Kimi K2.6 在本文可見來源中未有足夠完整 token pricing 可核對。[6][20]

最後判斷

如果只要一句話：Claude Opus 4.7 贏高難度推理和 software engineering benchmark；GPT-5.5／GPT-5.5 Pro 贏多個 tool-use、terminal、browser 類 benchmark；DeepSeek V4-Pro-Max 是成本與能力折衷；Kimi K2.6 有潛力，但仍需要更多完整同場證據。[4][10][20][24]

真正落地時，不要只看總分。用你自己的 repo、bug ticket、research workflow、工具權限、上下文長度、latency、錯誤容忍度和 token 成本，對四個模型跑同一批 eval；到那一步，benchmark 才會變成真正的產品選型答案。

Studio Global AI

Search, cite, and publish your own answer

Use this topic as a starting point for a fresh source-backed answer, then compare citations before you share it.

使用 Studio Global AI 搜尋並查核事實

重點

  • 冇單一總冠軍：同場資料顯示 Claude Opus 4.7 喺 GPQA Diamond 94.2% 同 SWE Bench Pro 64.3% 領先，而 GPT 5.5／GPT 5.5 Pro 喺 Terminal Bench 2.0 82.7% 同 BrowseComp 90.1% 領先；Kimi K2.6 缺少完整同場表，應作 shortlist 而非總冠軍。[4][10][24]
  • DeepSeek V4 Pro Max 在同場表未做第一，但 BrowseComp 83.4% 接近 GPT 5.5 84.4%；報道稱 DeepSeek 約為最新美國模型成本六分之一，適合成本敏感場景先測。[4][20]
  • 軟件工程方面，Claude Opus 4.7 在 SWE Bench Pro／SWE Pro 64.3% 及 LLM Stats 的 0.64 都領先；Kimi K2.6 在 LLM Stats 為 0.59，與 GPT 5.5 同分。[4][24]

人們還問

「Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6 Benchmark 比較」的簡短答案是什麼？

冇單一總冠軍：同場資料顯示 Claude Opus 4.7 喺 GPQA Diamond 94.2% 同 SWE Bench Pro 64.3% 領先，而 GPT 5.5／GPT 5.5 Pro 喺 Terminal Bench 2.0 82.7% 同 BrowseComp 90.1% 領先；Kimi K2.6 缺少完整同場表，應作 shortlist 而非總冠軍。[4][10][24]

首先要驗證的關鍵點是什麼？

冇單一總冠軍：同場資料顯示 Claude Opus 4.7 喺 GPQA Diamond 94.2% 同 SWE Bench Pro 64.3% 領先，而 GPT 5.5／GPT 5.5 Pro 喺 Terminal Bench 2.0 82.7% 同 BrowseComp 90.1% 領先；Kimi K2.6 缺少完整同場表，應作 shortlist 而非總冠軍。[4][10][24] DeepSeek V4 Pro Max 在同場表未做第一，但 BrowseComp 83.4% 接近 GPT 5.5 84.4%；報道稱 DeepSeek 約為最新美國模型成本六分之一，適合成本敏感場景先測。[4][20]

接下來在實務上我該做什麼？

軟件工程方面，Claude Opus 4.7 在 SWE Bench Pro／SWE Pro 64.3% 及 LLM Stats 的 0.64 都領先；Kimi K2.6 在 LLM Stats 為 0.59，與 GPT 5.5 同分。[4][24]

接下來我應該探索哪個相關主題？

繼續“Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6：2026 Benchmark 點睇先唔會睇錯”以獲得另一個角度和額外的引用。

開啟相關頁面

我應該將其與什麼進行比較？

對照「DeepSeek V4 唔止 1M context：MoE、長上下文同 API 遷移重點」交叉檢查此答案。

開啟相關頁面

繼續你的研究

Comparativa de benchmarks 2026 entre Claude Opus 4.7, GPT-5.5, DeepSeek V4 y Kimi K2.6

Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6：2026 Benchmark 點睇先唔會睇錯

Claude Opus 4.7 vs GPT-5.5 vs DeepSeek V4 vs Kimi K2.6：2026 Benchmark 實證比較

DeepSeek V4 工程架构示意图，包含 1M 上下文、MoE 专家路由和 API 服务化元素

DeepSeek V4 唔止 1M context：MoE、長上下文同 API 遷移重點

DeepSeek V4 唔止 1M context：MoE、長上下文同 API 遷移重點

木材市場與需求彈性概念的編輯插圖

Northwest vs Southeast Timber：替代性越高，點解係 larger; larger？

Northwest 與 Southeast Timber：替代性高，點解兩格都填 larger？

抽象 AI 晶片與多個聊天機器人平台競爭的示意圖，象徵 DeepSeek 挑戰 OpenAI、Claude、Gemini 與 Grok

DeepSeek 會唔會打低 OpenAI、Claude、Gemini、Grok？真正關鍵係成本同信任

DeepSeek 會唔會打低 OpenAI、Claude、Gemini、Grok？

研究對話

你

研究問題

研究 Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6 嘅基準測試，並盡可能全面咁作出比較。

Studio Global AI25 來源

引用的答案

用你提供嘅證據，未能嚴格完成 Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6「同版本、同設定、同基準」嘅全面 benchmark 對比。現有資料對 DeepSeek V4 同 Kimi K2.6 有少量量化分數，但 Claude Opus 4.7 同 GPT-5.5 主要只有定價、上下文長度或定性描述；所以整體結論係：Insufficient evidence.

Key findings

  • Claude Opus 4.7 被描述為 Anthropic 最新 Opus 系列模型，重點係提升進階軟件工程、複雜問題解決、困難 coding challenge 同長流程工作表現，但提供證據入面冇可核實 benchmark 分數。[1]

  • GPT-5.5 喺現有證據入面主要有價格同上下文資料：每 100 萬 input tokens $5、每 100 萬 output tokens $30、1 million context window；但冇提供可用嚟同 DeepSeek V4、Kimi K2.6、Claude Opus 4.7 直接比較嘅 benchmark 分數。[4]

  • Claude Opus 4.7 嘅價格資料為每 100 萬 input tokens $5、每 100 萬 output tokens $25、1 million context window；但證據入面冇同場 benchmark 數字。[4]

  • DeepSeek V4-Pro 有最具體嘅模型規格資料：Pro 版係 MoE 架構，總參數 1.6 trillion、active parameters 49 billion、下載大小 865GB；Flash 版總參數 284 billion、active parameters 13 billion、下載大小 160GB。[7]

  • DeepSeek Hugging Face model card 提供咗部分 knowledge / reasoning benchmark：喺 MMLU-Pro，DS-V4-Pro Max 得 87.5，K2.6 Thinking 得 87.1；但同一表格比較嘅係 Opus-4.6 Max 同 GPT-5.4 xHigh，唔係 Claude Opus 4.7 同 GPT-5.5。[8]

  • 喺 SimpleQA-Verified，DS-V4-Pro Max 得 57.9，K2.6 Thinking 得 36.9；同一表格入面 Opus-4.6 Max 係 46.2、GPT-5.4 xHigh 係 45.3、Gemini-3.1-Pro High 係 75.6，但呢啲唔等於 Claude Opus 4.7 / GPT-5.5 嘅成績。[8]

  • 一個次級報道聲稱 DeepSeek V4-Pro 喺 Codeforces 得分 3,206，約等於人類參賽者第 23 名左右；同一來源亦聲稱 DeepSeek V4-Pro 喺 Apex Shortlist 達 90.2%，高過 Opus 4.6 嘅 85.9%。[2]

  • Artificial Analysis 有一個 DeepSeek V4 Pro Reasoning Max Effort vs GPT-5.5 low 嘅比較頁，並列出 Intelligence Index v4.0 包含 GDPval-AA、Terminal-Bench Hard、SciCode、Humanity’s Last Exam、GPQA Diamond 等項目；但你提供嘅證據片段冇實際分數，所以不能用嚟判斷 GPT-5.5 贏定 DeepSeek V4-Pro 贏。[5]

Benchmark comparison from available evidence

項目Claude Opus 4.7GPT-5.5DeepSeek V4 / V4-ProKimi K2.6
MMLU-Pro無 Opus 4.7 分數；只見 Opus 4.6 Max 89.1無 GPT-5.5 分數；只見 GPT-5.4 xHigh 87.5DS-V4-Pro Max 87.5K2.6 Thinking 87.1
SimpleQA-Verified無 Opus 4.7 分數；只見 Opus 4.6 Max 46.2無 GPT-5.5 分數；只見 GPT-5.4 xHigh 45.3DS-V4-Pro Max 57.9K2.6 Thinking 36.9
Codeforces無資料無資料V4-Pro 3,206；約人類參賽者第 23 名無資料
Apex Shortlist無 Opus 4.7 分數；只見 Opus 4.6 85.9片段不足，不能確認V4-Pro 90.2%無資料
價格$5 / 1M input，$25 / 1M output$5 / 1M input，$30 / 1M output證據不足證據不足
Context window1 million1 million證據不足證據不足

以上表格中，MMLU-Pro 同 SimpleQA-Verified 只可以嚴格比較 DeepSeek V4-Pro Max 同 Kimi K2.6 Thinking；Opus 同 GPT 欄位因為係 Opus 4.6 / GPT-5.4，而唔係用戶指定嘅 Opus 4.7 / GPT-5.5，所以只可作參考，不可當成正式同版本比較。[8]

Model-by-model assessment

Claude Opus 4.7

  • 現有證據將 Claude Opus 4.7 描述為面向高階 software engineering、complex problem-solving、difficult coding challenges 同 long-running workflows 嘅升級模型。[1]

  • 但提供資料冇 SWE-bench、Aider、Terminal-Bench、GPQA、MMLU-Pro、Humanity’s Last Exam 或其他可核實數字，所以無法判定佢相對 GPT-5.5、DeepSeek V4 或 Kimi K2.6 嘅實際 benchmark 排名。[1]

  • 價格方面，Claude Opus 4.7 係 $5 / 1M input tokens、$25 / 1M output tokens，並列出 1 million context window。[4]

GPT-5.5

  • 現有證據顯示 GPT-5.5 價格係 $5 / 1M input tokens、$30 / 1M output tokens，並列出 1 million context window。[4]

  • 另一個來源描述 GPT-5.5 係 natively omnimodal model，並具備 computer use capabilities；但呢個來源冇提供可直接比較嘅 benchmark 分數。[6]

  • Artificial Analysis 比較頁涵蓋 DeepSeek V4 Pro vs GPT-5.5 low，並列出多個 benchmark 組件，但提供證據片段冇實際成績，所以不能得出 GPT-5.5 喺該比較中嘅勝負。[5]

DeepSeek V4 / V4-Pro

  • DeepSeek V4-Pro 係現有證據入面量化資料最多嘅模型：Pro 版採用 MoE，總參數 1.6T、active 49B、下載大小 865GB；Flash 版總參數 284B、active 13B、下載大小 160GB。[7]

  • 喺 Hugging Face model card 表格，DS-V4-Pro Max 喺 MMLU-Pro 得 87.5，略高於 K2.6 Thinking 嘅 87.1，但低於 Opus-4.6 Max 嘅 89.1 同 Gemini-3.1-Pro High 嘅 91.0。[8]

  • 喺 SimpleQA-Verified，DS-V4-Pro Max 得 57.9，高過 K2.6 Thinking 36.9、Opus-4.6 Max 46.2 同 GPT-5.4 xHigh 45.3，但低過 Gemini-3.1-Pro High 75.6。[8]

  • 一個次級報道聲稱 V4-Pro 喺 Codeforces 得 3,206，約等於人類參賽者第 23 名左右；呢個係有用但需要獨立驗證嘅 competitive programming 指標。[2]

  • 同一報道稱 V4-Pro 喺 Apex Shortlist 得 90.2%，高過 Opus 4.6 嘅 85.9%；但該證據唔係官方 benchmark 報告，而且片段未完整列出 GPT 或 Kimi 對應值。[2]

Kimi K2.6

  • Kimi K2.6 喺現有證據入面主要出現喺 DeepSeek Hugging Face benchmark 表格，版本標示為 K2.6 Thinking。[8]

  • 喺 MMLU-Pro，K2.6 Thinking 得 87.1，略低於 DS-V4-Pro Max 87.5。[8]

  • 喺 SimpleQA-Verified，K2.6 Thinking 得 36.9，低於 DS-V4-Pro Max 57.9、Opus-4.6 Max 46.2 同 GPT-5.4 xHigh 45.3。[8]

  • 現有證據冇提供 Kimi K2.6 嘅價格、context window、coding benchmark、agent benchmark 或數學 benchmark，因此不能全面評估佢相對另外三個模型嘅整體能力。

Evidence notes

  • 最有量化價值嘅證據係 DeepSeek Hugging Face model card，因為佢提供咗 MMLU-Pro 同 SimpleQA-Verified 分數；但佢比較嘅係 DS-V4-Pro Max、K2.6 Thinking、Opus-4.6 Max、GPT-5.4 xHigh 等，唔係完整覆蓋 Claude Opus 4.7 同 GPT-5.5。[8]

  • Artificial Analysis 來源有潛在價值，因為佢列出一組較全面嘅 Intelligence Index v4.0 benchmarks；但現有片段只見 benchmark 名稱，冇分數，所以不能用嚟作量化結論。[5]

  • SourceForge 對 Claude Opus 4.7 只提供產品描述式資訊，說明其針對 software engineering、complex problem-solving、long-running workflows 有提升，但缺少 benchmark 數字。[1]

  • Yahoo / Mashable 片段提供 GPT-5.5 同 Claude Opus 4.7 價格及 context window，但唔提供 benchmark 結果。[4]

  • Cryptonews 來源提供 DeepSeek V4-Pro 嘅 Codeforces 同 Apex Shortlist 數字，但屬次級報道，可靠性弱過官方 model card 或獨立 benchmark 平台。[2]

Limitations / uncertainty

  • Insufficient evidence：現有資料不足以對 Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6 做嚴格、全面、同版本、同設定嘅 benchmark 排名。

  • 最大問題係版本唔一致：可見量化表格比較咗 Opus-4.6 Max 同 GPT-5.4 xHigh，而用戶問題要求嘅係 Claude Opus 4.7 同 GPT-5.5。[8]

  • 第二個問題係 benchmark 覆蓋唔平均：DeepSeek V4-Pro 同 Kimi K2.6 有少量 knowledge / QA 分數，但 Claude Opus 4.7 同 GPT-5.5 缺少同場分數。[8]

  • 第三個問題係來源可靠性參差：Hugging Face model card 有分數但可能屬模型發布方資料；Artificial Analysis 片段有方法但冇分數；新聞 / blog 類來源提供部分資訊但需要更高權威來源驗證。[2][5][8]

Summary

  • 如果只睇現有量化證據，DeepSeek V4-Pro Max 喺 SimpleQA-Verified 明顯高過 Kimi K2.6 Thinking，喺 MMLU-Pro 亦略高過 Kimi K2.6 Thinking。[8]

  • 但 DeepSeek V4-Pro Max 對 Claude Opus 4.7 同 GPT-5.5 嘅直接勝負無法判定，因為可見表格只列 Opus-4.6 Max 同 GPT-5.4 xHigh，而唔係指定版本。[8]

  • Claude Opus 4.7 目前只可確認其定位係強化 software engineering、complex problem-solving 同 long-running workflows；GPT-5.5 目前只可確認價格、1 million context window，以及一個來源聲稱佢係 natively omnimodal model with computer use capabilities。[1][4][6]

  • 最穩妥結論係：DeepSeek V4-Pro 喺你提供嘅證據中有最多可比較數據；Kimi K2.6 有少量可比較數據；Claude Opus 4.7 同 GPT-5.5 缺少足夠 benchmark 數字，所以不能公平排名。

來源

  • [4] DeepSeek-V4 arrives with near state-of-the-art intelligence at 1/6th ...venturebeat.com

    BenchmarkDeepSeek-V4-Pro-MaxGPT-5.5GPT-5.5 Pro, where shownClaude Opus 4.7Best result among these GPQA Diamond90.1%93.6%—94.2%Claude Opus 4.7 Humanity’s Last Exam, no tools37.7%41.4%43.1%46.9%Claude Opus 4.7 Humanity’s Last Exam, with tools48.2%52.2%57.2%54...

  • [6] Kimi K2.6 vs Claude Opus 4.7 (Adaptive Reasoning, Max Effort): Model Comparisonartificialanalysis.ai

    Highlights Model Comparison Metric Kimi logoKimi K2.6 Anthropic logoClaude Opus 4.7 (Adaptive Reasoning, Max Effort) Analysis --- --- Creator Kimi Anthropic Context Window 256k tokens ( 384 A4 pages of size 12 Arial font) 1000k tokens ( 1500 A4 pages of siz...

  • [10] Kimi K2.6 vs DeepSeek-V4 Pro - DocsBot AIdocsbot.ai

    Benchmark Kimi K2.6 DeepSeek-V4 Pro --- AIME 2026 American Invitational Mathematics Examination 2026 - Evaluates advanced mathematical problem-solving abilities (contest-level math) 96.4% Thinking mode Source Not available APEX Agents Evaluates long-horizon...

  • [13] DeepSeek V4: Features, Benchmarks, and Comparisonsdatacamp.com

    How large are the DeepSeek V4 models? DeepSeek uses a Mixture of Experts (MoE) architecture. The Pro model contains 1.6 trillion total parameters (49 billion active) and requires an 865GB download. The Flash model contains 284 billion parameters (13 billion...

  • [16] LLM Coding Benchmark (April 2026): GPT 5.5, DeepSeek v4, Kimi ...akitaonrails.com

    Rank Model Score Tier RubyLLM OK Time Cost --- --- --- 1 Claude Opus 4.7 97 A ✅ 18m $1.10 1 GPT 5.4 xHigh (Codex) 97 A ✅ 22m $16 3 GPT 5.5 xHigh (Codex) 96 A ✅ 18m $10 4 Kimi K2.6 87 A ✅ 20m $0.30 5 Claude Opus 4.6 83 A ✅ 16m $1.10 6 Gemini 3.1 Pro 82 A ✅ 1...

  • [20] DeepSeek V4 is here: How it compares to ChatGPT, Claude, Geminitech.yahoo.com

    DeepSeek V4 is here: How it compares to ChatGPT, Claude, Gemini GPT-5.5 costs at $5 per 1 million input tokens and $30 per 1 million output tokens (1 million context window) Claude Opus 4.7costs at $5 per 1 million input tokens and $25 per 1 million output...

  • [22] deepseek-ai/DeepSeek-V4-Pro - Hugging Facehuggingface.co

    Opus-4.6 Max GPT-5.4 xHigh Gemini-3.1-Pro High K2.6 Thinking GLM-5.1 Thinking DS-V4-Pro Max :---: :---: :---: Knowledge & Reasoning MMLU-Pro (EM) 89.1 87.5 91.0 87.1 86.0 87.5 SimpleQA-Verified (Pass@1) 46.2 45.3 75.6 36.9 38.1 57.9 Chinese-SimpleQA (Pass@1...

  • [24] DeepSeek-V4-Pro-Max: Pricing, Benchmarks & Performancellm-stats.com

    SWE-Bench ProView → 11 of 11 Image 35: LLM Stats Logo SWE-Bench Pro is an advanced version of SWE-Bench that evaluates language models on complex, real-world software engineering tasks requiring extended reasoning and multi-step problem solving. More 1Image...