截至 2026-04-26，可核查的公开资料显示：GPT-5.5 是四者中综合基准最强的闭源模型，Claude Opus 4.7 在长程编码、数据纪律和多步任务上紧随其后，Kimi K2.6 是目前证据中最强的开权重模型，DeepSeek V4 Pro 的主要优势是接近前沿模型的能力与显著更低的 API 成本。^{[1][3][4][5][6]} 但四者并没有完整、同源、同设置的官方横向评测；尤其 DeepSeek V4 与 Kimi K2.6 的逐项官方对比证据不足，因此部分结论应视为“公开资料下的最佳估计”。^[4][5][6][7]

Key findings

• 综合智能排名上，Artificial Analysis 的公开比较显示 GPT-5.5 xHigh 位列第一，GPT-5.5 High 第二，Claude Opus 4.7 与 Gemini 3.1 Pro Preview 同处 57 分档位，而 Kimi K2.6 在其 Intelligence Index 上为 54 分、位列开权重模型第一梯队。^[5][6]

• 编码与代理任务上，OpenAI 官方表格给出 GPT-5.5 在 Terminal-Bench 2.0 为 82.7%，在 SWE-Bench Pro 为 58.6%，并称其是 OpenAI 当时最强的 agentic coding 模型。^[1] Anthropic 官方没有在可抓取文本中给出完整统一表格，但称 Opus 4.7 相比 Opus 4.6 在高级软件工程、复杂长程任务和自我验证方面显著提升，并引用客户 93-task coding benchmark 中 resolution 提升 13%。^[3]

• 推理与数学上，OpenAI 官方表格显示 GPT-5.5 在 FrontierMath Tier 1–3 为 51.7%、Tier 4 为 35.4%，高于表中 Claude Opus 4.7 的 43.8% 与 22.9%。^[1] 但 VentureBeat 汇总的 Humanity’s Last Exam 数据显示，在无工具设置下 Claude Opus 4.7 为 46.9%，高于 GPT-5.5 的 41.4% 与 DeepSeek V4 的 37.7%。^[4]

• 浏览与研究型任务上，GPT-5.5 在 OpenAI 表格中的 BrowseComp 为 84.4%，Claude Opus 4.7 为 79.3%。^[1] VentureBeat 报道 DeepSeek V4 Pro-Max 在 BrowseComp 为 83.4%，DocsBot 汇总 Kimi K2.6 为 83.2%，因此该项上 GPT-5.5、DeepSeek V4、Kimi K2.6 非常接近，Claude Opus 4.7 落后一些。^[4][7]

• 成本上，OpenAI API 文档列出 GPT-5.5 为 $5 / 百万输入 token、$30 / 百万输出 token，并支持 1M 上下文与 128K 最大输出。^[2] Anthropic 官方称 Claude Opus 4.7 价格维持 $5 / 百万输入 token、$25 / 百万输出 token。^[3] VentureBeat 引用 DeepSeek API 定价称 DeepSeek V4 Pro 为 $1.74 / 百万输入 token、$3.48 / 百万输出 token，显著低于 GPT-5.5 与 Claude Opus 4.7。^[4]

• 开权重生态上，Kimi K2.6 被 Artificial Analysis 称为“new leading open weights model”，其模型为 1T 总参数、32B 激活参数的 MoE，支持 256K 上下文、图像和视频输入、文本输出。^[5] DeepSeek V4 被报道为 1.6T 参数 MoE、MIT License、可在 Hugging Face 与 DeepSeek API 获取，因此在可部署性和成本上更开放、更便宜。^[4]

Benchmark comparison

维度 / 基准	GPT-5.5	Claude Opus 4.7	DeepSeek V4 / V4 Pro	Kimi K2.6	解读
Artificial Analysis Intelligence Index	xHigh 60；High 59 [6]	57 [6]	V4 Pro 被列为领先开权重模型之一，但本次资料未给出同表精确分数 [6]	54，开权重第一梯队 [5]	GPT-5.5 综合领先，Claude 接近，Kimi 是开权重最强代表之一。
Terminal-Bench 2.0	82.7% [1]	68.5% [1]	Insufficient evidence	Insufficient evidence	GPT-5.5 在命令行代理工作流上优势明显。
SWE-Bench Pro	58.6% [1]	Insufficient evidence	Insufficient evidence	第三方资料显示可与 GPT-5.4 / Opus 4.6 同档，但缺少同源 GPT-5.5 / Opus 4.7 对比 [5]	GPT-5.5 有官方分数；其他模型缺少同设置数据。
GDPval / GDPval-AA	GPT-5.5 wins-or-ties 84.9% [1]	80.3% [1]	Insufficient evidence	GDPval-AA Elo 1520，高于 Kimi K2.5 的 1309 [5]	GPT 与 Claude 可在 OpenAI 表中横比；Kimi 的 AA Elo 不应与 OpenAI 的百分比分数直接相加比较。
BrowseComp	84.4% [1]	79.3% [1]	83.4% [4]	83.2% [7]	GPT-5.5 略高，DeepSeek 与 Kimi 非常接近，Claude 稍弱。
FrontierMath Tier 1–3	51.7% [1]	43.8% [1]	Insufficient evidence	Insufficient evidence	GPT-5.5 在该官方表格中领先 Claude。
FrontierMath Tier 4	35.4% [1]	22.9% [1]	Insufficient evidence	Insufficient evidence	难题数学上 GPT-5.5 与 Claude 差距扩大。
Humanity’s Last Exam，无工具	41.4% [4]	46.9% [4]	37.7% [4]	Insufficient evidence	Claude 在该报道的无工具 HLE 设置中最高。
Humanity’s Last Exam，有工具	52.2%；GPT-5.5 Pro 为 57.2% [4]	54.7% [4]	48.2% [4]	Insufficient evidence	工具设置下 Claude 高于 GPT-5.5 base，但低于 GPT-5.5 Pro。
CyberGym	81.8% [1]	73.1% [1]	Insufficient evidence	Insufficient evidence	GPT-5.5 在 OpenAI 表格中领先。
AA-Omniscience / 幻觉率	Insufficient evidence	幻觉率 36%，作为对照项出现 [5]	Insufficient evidence	幻觉率 39%，低于 Kimi K2.5 的 65% [5]	Kimi K2.6 的低幻觉率是其明显亮点。
τ²-Bench Telecom	Insufficient evidence	Insufficient evidence	Insufficient evidence	96% [5]	Kimi K2.6 在工具使用 / 电信任务中表现强。

Model-by-model assessment

GPT-5.5

GPT-5.5 的主要优势是综合能力、agentic coding、计算机使用、浏览研究与数学基准的均衡领先。^[1][2][6] OpenAI 官方称 GPT-5.5 擅长写代码、调试、在线研究、数据分析、创建文档和表格、操作软件并跨工具完成任务。^[1]

GPT-5.5 的主要短板是成本较高，API 文档列出的输出价格为 $30 / 百万 token，高于 Claude Opus 4.7 的 $25 / 百万 token，也远高于 DeepSeek V4 Pro 的 $3.48 / 百万 token。^[2][3][4] 如果任务量极大且边际成本敏感，DeepSeek V4 Pro 或 Kimi K2.6 可能在成本效益上更有吸引力。^[4][5]

Claude Opus 4.7

Claude Opus 4.7 的优势是长程编码、复杂任务执行、视觉增强、数据纪律和对不确定性的处理。^[3] Anthropic 官方称 Opus 4.7 在高级软件工程上明显优于 Opus 4.6，并且在复杂长时间任务中更严谨、更一致、更会验证自己的输出。^[3]

Claude Opus 4.7 在部分硬指标上不总是领先 GPT-5.5；例如 OpenAI 表格中 GPT-5.5 在 Terminal-Bench 2.0、BrowseComp、FrontierMath 和 CyberGym 均高于 Claude Opus 4.7。^[1] 但在 VentureBeat 汇总的 HLE 无工具数据中，Claude Opus 4.7 为 46.9%，高于 GPT-5.5 的 41.4%。^[4]

DeepSeek V4 / V4 Pro

DeepSeek V4 Pro 的核心竞争力是成本、开放可用性和接近前沿模型的能力。^[4] VentureBeat 报道 DeepSeek V4 是 1.6T 参数 MoE、MIT License，并通过 Hugging Face 与 DeepSeek API 提供。^[4]

DeepSeek V4 Pro 在已见共享基准中通常接近但不全面超过 GPT-5.5 或 Claude Opus 4.7。^[4] VentureBeat 的数据称 DeepSeek 在 HLE 无工具为 37.7%、有工具为 48.2%，低于 GPT-5.5、GPT-5.5 Pro 与 Claude Opus 4.7 的对应分数。^[4] 但它的 API 成本远低于 GPT-5.5 与 Claude Opus 4.7，因此适合高吞吐、成本敏感、可自托管或开源优先的场景。^[4]

Kimi K2.6

Kimi K2.6 的定位是强开权重、多模态、长上下文和低幻觉率。^[5] Artificial Analysis 称其为新的领先开权重模型，并给出 Intelligence Index 54、GDPval-AA Elo 1520、τ²-Bench Telecom 96%、幻觉率 39%、256K 上下文、图像和视频输入支持等结果。^[5]

Kimi K2.6 与 GPT-5.5 的直接可比官方数据较少，因此不能简单声称它全面超过 GPT-5.5 或 Claude Opus 4.7。^[5][7] 在 BrowseComp 上，DocsBot 汇总 Kimi K2.6 为 83.2%，接近 GPT-5.5 的 84.4%，但该数据来自不同汇总源，需谨慎比较。^[1][7]

Practical recommendations

• 如果目标是最高综合智能、agentic coding、浏览研究和工具任务，优先选择 GPT-5.5。^[1][2][6]

• 如果目标是长程工程任务、复杂文档/视觉理解、较强自我校验和比 GPT-5.5 略低的输出价格，优先选择 Claude Opus 4.7。^[3]

• 如果目标是大规模推理、低成本 API、开源许可证或部署灵活性，优先评估 DeepSeek V4 Pro。^[4]

• 如果目标是开权重、多模态输入、256K 长上下文、低幻觉率和强工具使用，优先评估 Kimi K2.6。^[5]

• 如果目标是联网研究或网页检索类任务，GPT-5.5、DeepSeek V4 和 Kimi K2.6 的公开 BrowseComp 分数非常接近，建议用自己的真实工作流做小样本 A/B 测试。^[1][4][7]

Evidence notes

本报告主要使用以下编号来源：OpenAI 官方 GPT-5.5 发布页 ^[1]、OpenAI API 模型文档 ^[2]、Anthropic 官方 Claude Opus 4.7 发布页 ^[3]、VentureBeat 对 DeepSeek V4 的报道与基准汇总 ^[4]、Artificial Analysis 对 Kimi K2.6 的评测 ^[5]、Artificial Analysis 的 GPT-5.5 / DeepSeek V4 比较页 ^[6]、DocsBot 的 Kimi K2.6 / GPT-5.5 对比页 ^[7]、OpenRouter 的 DeepSeek V4 Pro / Kimi K2.6 提供商对比页 ^[8]、AkitaOnRails 的 2026 年 4 月编码实测 ^[9]。

官方来源的证据权重最高，尤其是 OpenAI 与 Anthropic 自家发布页和 API 文档。^[1][2][3] 第三方基准的优势是可横向比较，但常受提示词、工具链、推理强度、温度、样本集和服务商封装影响，因此本报告把 Artificial Analysis、VentureBeat、DocsBot、OpenRouter 和个人实测作为补充证据而非最终裁决。^{[4][5][6][7][8][9]}

Limitations / uncertainty

Insufficient evidence：没有找到四个模型在同一组织、同一时间、同一推理预算、同一工具设置下覆盖所有关键基准的完整公开表格。^{[1][3][4][5][6][7]}

Insufficient evidence：DeepSeek V4 与 Kimi K2.6 的官方逐项基准、尤其是与 GPT-5.5 和 Claude Opus 4.7 的同源对比，在本次可核查材料中不完整。^[4][5][6][7]

部分分数来自模型厂商自己的发布页，可能更偏向展示该模型强项。^[1][3] 部分分数来自第三方聚合或媒体报道，可能存在模型版本、调用参数、工具权限或供应商路由差异。^{[4][5][6][7][8]}

Summary

综合公开基准看，GPT-5.5 是默认的最高性能选择，Claude Opus 4.7 是最接近的闭源替代并在长程工程与数据纪律上很强，Kimi K2.6 是开权重阵营最强候选，DeepSeek V4 Pro 则是成本效益和开放部署最突出的候选。^{[1][3][4][5][6]}

如果你要做采购或技术选型，不应只看排行榜；建议用自己的 30–100 个真实任务建立私有评测集，并同时记录准确率、失败模式、延迟、token 消耗、可控性、工具调用成功率和总成本。^[1][2][4][5]