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

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]

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]}

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。

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。