GPT-5.5、Claude Opus 4.7、Kimi K2.6、DeepSeek V4-Pro 基準測試比較

為什麼不能直接排總榜？

第一，來源層級不一致。GPT-5.5 的 Terminal-Bench 2.0 與 SWE-Bench Pro 數字來自媒體轉述 OpenAI 提供的 benchmark 結果；Claude Opus 4.7 的 SWE-Bench Pro、SWE-Bench Verified 與 Terminal-Bench 2.0 數字來自次級整理引用 AWS；Kimi K2.6 與 DeepSeek V4-Pro 的部分分數則來自 Hugging Face model card。^{[27][4][84][64]}

第二，工具權限會改變相對結果。Mashable 報導的 HLE 數字顯示，無工具情境下 Claude Opus 4.7 為 46.9%，GPT-5.4 Pro 為 42.7%；但在有工具情境下，GPT-5.4 Pro 為 58.7%，Claude Opus 4.7 為 54.7%。這不是 GPT-5.5 的分數，卻清楚說明 with tools 與 without tools 不能混在同一榜單比較。^[6]

第三，版本與成本設定也會影響解讀。DeepSeek V4 分成 V4-Pro 與 V4-Flash，Yahoo Finance 報導稱 V4-Flash 是較有效率、經濟的版本；本文可引用的詳細分數主要對應 DeepSeek-V4-Pro。^[57][64] Artificial Analysis 也把 GPT-5.5 拆成不同 effort variants，並指出 GPT-5.5 xhigh 跑其 Index 的成本約比前代高 20%、比 Claude Opus 4.7 max 低 30%。^[24]

GPT-5.5：Terminal workflow 與長上下文是主要亮點

GPT-5.5 在這組資料中最明確的強項是 Terminal-Bench 2.0。Yahoo Finance / Investing.com 報導稱，OpenAI 提供的 benchmark 結果顯示 GPT-5.5 在 Terminal-Bench 2.0 達到 82.7%，該測試用於衡量 command-line workflows；同文也列出 GPT-5.5 在 SWE-Bench Pro 為 58.6%，並將 SWE-Bench Pro 描述為評估 GitHub issue resolution 的測試。^[27]

OpenAI 的長上下文表也提供較細的數字：GPT-5.5 在 Graphwalks BFS 256k 與 1M 分別為 73.7 與 45.4，在 Graphwalks parents 256k 與 1M 分別為 90.1 與 58.5；同表顯示 GPT-5.4 在 Graphwalks BFS 1M 為 9.4，GPT-5.5 則為 45.4。^[21]

第三方評測方面，Artificial Analysis 稱 GPT-5.5 是新的 leading AI model，並表示 OpenAI 在其五項 headline evaluations 領先、三項次於 Gemini 3.1 Pro Preview；同文也稱 GPT-5.5 xhigh 使用約比前代少 40% 的 output tokens 跑其 Index。^[24]

**適合優先測的場景：**CLI automation、terminal agents、長上下文檢索與需要控制 output token 成本的 agentic coding workflow。^[27][21][24]

Claude Opus 4.7：coding 分數強，視覺與 computer-use 證據最完整

Claude Opus 4.7 的官方資料最明確強調視覺與 UI 操作。Anthropic API 文件表示，這項變更應能釋放 vision-heavy workloads 的 performance gains，尤其對 computer use、screenshot、artifact 與 document understanding workflows 重要；文件也說明座標可 1:1 對應實際像素，減少 scale-factor 計算。^[1]

Anthropic launch page 引用 XBOW 的視覺敏銳度 benchmark，稱 Claude Opus 4.7 為 98.5%，Opus 4.6 為 54.5%。^[5] 這讓 Claude Opus 4.7 在 screenshot understanding、document layout、desktop UI 操作與 computer-use agent 這類任務上有比其他三者更直接的官方證據。^[1][5]

在 coding benchmark 方面，一篇整理稱 AWS cites Claude Opus 4.7 在 SWE-Bench Pro 為 64.3%、SWE-Bench Verified 為 87.6%、Terminal-Bench 2.0 為 69.4%。^[4] 這些數字讓 Claude 在本文可引用的 SWE-Bench Pro 與 Verified/Resolved 對照中暫時領先，但來源層級低於直接官方 benchmark 表，正式採用前仍應用自家 repo 重跑。

還有一個 production caveat：Anthropic 文件提醒，高解析度影像會使用更多 tokens；若不需要額外影像細節，應在傳送給 Claude 前先降採樣，以避免 token usage 增加。^[1]

**適合優先測的場景：**GitHub issue repair、coding agent、screenshot/document understanding、computer-use agents，以及需要精準像素座標的 UI 操作任務。^[1][4][5]

Kimi K2.6：Workers AI 上的 agentic multimodal 候選

Cloudflare changelog 顯示，Moonshot AI Kimi K2.6 已於 2026-04-20 在 Workers AI 上可用，模型 ID 為 @cf/moonshotai/kimi-k2.6，且 Cloudflare 稱這是與 Moonshot AI 合作的 Day 0 support。^[36]

同一來源把 Kimi K2.6 描述為 native multimodal agentic model，能力重點包括 long-horizon coding、coding-driven design、proactive autonomous execution 與 swarm-based task orchestration；Cloudflare 也稱其採用 Mixture-of-Experts 架構，總參數 1T、每 token active 參數 32B。^[36]

公開分數方面，Kimi K2.6 的 Hugging Face model card 列出 Terminal-Bench 2.0 為 66.7、SWE-Bench Pro 為 58.6、SWE-Bench Multilingual 為 76.7。^[84] MarkTechPost 另報導 Kimi K2.6 在 SWE-Bench Verified 為 80.2。^[45]

**適合優先測的場景：**已在 Cloudflare Workers AI 上部署、需要 long-horizon coding、coding-driven design、multimodal agent workflow 或多 agent orchestration 的團隊。^[36][84]

DeepSeek V4-Pro：知識與數學分數最完整，開放模型敘事清楚

DeepSeek V4 在來源中分為 V4-Pro 與 V4-Flash。Yahoo Finance 報導稱，DeepSeek 表示 V4-Pro 在 world knowledge benchmarks 上明顯領先其他 open-source models，且只略遜於頂級閉源模型 Gemini-Pro-3.1；同一報導稱 V4-Flash 是更有效率、經濟的選擇。^[57]

DeepSeek-V4-Pro 的 Hugging Face model card 提供了本文最完整的一組 knowledge、math、coding 與 terminal 評測數字：GPQA Diamond 90.1、GSM8K 92.6、HLE 37.7、MMLU-Pro 87.5、SWE-Bench Pro 55.4、SWE-Bench Verified/Resolved 80.6、TerminalBench 2.0 67.9。^[64]

CNBC 報導稱 DeepSeek 表示 V4 已針對 Claude Code 與 OpenClaw 等 agent tools 最佳化；Counterpoint principal AI analyst Wei Sun 則認為，V4 的 benchmark profile 顯示它可能以顯著更低成本提供出色 agent 能力。^[58]

**適合優先測的場景：**重視開放模型路線、知識與數學 benchmark、agent tooling 成本效益，或希望在本地/自管環境中評估可下載模型的團隊。^[58][64]

按任務選模型：最實用的 shortlist

• **Terminal automation / command-line agents：先測 GPT-5.5。**可引用資料中，GPT-5.5 Terminal-Bench 2.0 為 82.7%，高於 Claude Opus 4.7 的 69.4%、DeepSeek V4-Pro 的 67.9 與 Kimi K2.6 的 66.7。^{[27][4][64][84]}
• **Software engineering repair / SWE-Bench Pro 類任務：先測 Claude Opus 4.7，但一定要跑自家 repo。**可引用分數中，Claude Opus 4.7 為 64.3%，GPT-5.5 與 Kimi K2.6 同為 58.6，DeepSeek V4-Pro 為 55.4；但 Claude 數字來源層級較低。^{[4][27][84][64]}
• **Screenshot、document understanding、computer-use：Claude Opus 4.7 優先。**Anthropic 文件直接提到 vision-heavy workflows、computer use 與 1:1 pixel coordinates，Anthropic launch page 也引用 XBOW 98.5% 視覺敏銳度結果。^[1][5]
• **Knowledge/math 與開放模型路線：DeepSeek V4-Pro 優先納入 shortlist。**它的 Hugging Face model card 同時列出 GPQA Diamond、GSM8K、HLE、MMLU-Pro、SWE-Bench 與 TerminalBench 2.0 等分數。^[64]
• **Workers AI 上的 multimodal agentic workflow：Kimi K2.6 值得測。**Cloudflare 已提供 Kimi K2.6 的 Workers AI Day 0 support，並將其定位為 long-horizon coding 與 swarm-based task orchestration 的 native multimodal agentic model。^[36]

採用前，請用同一套條件重跑

要得到能 defend 的內部結論，應使用同一模型版本或 API model ID、同一上下文長度、同一工具權限、同一 reasoning effort、同一 temperature、同一 token budget 與同一 scoring harness。工具權限尤其不能混用，因為 HLE 報導已顯示 with tools 與 without tools 會改變相對結果。^[6]

成本也要和能力一起測。Artificial Analysis 報導稱 GPT-5.5 xhigh 跑其 Index 的成本約比前代高 20%、比 Claude Opus 4.7 max 低 30%，且 output tokens 比前代少約 40%；Anthropic 文件則提醒，高解析度影像會使用更多 tokens。^[24][1] 對 production agent 來說，速度、token 使用量、工具調用成功率與錯誤修復率通常和單一 benchmark 分數一樣重要。

底線

目前最可信的比較不是單一總排名，而是任務導向：Terminal-Bench 看 GPT-5.5，SWE-Bench 與視覺/computer-use 看 Claude Opus 4.7，知識與數學模型卡看 DeepSeek V4-Pro，Workers AI 上的 multimodal agentic coding 則把 Kimi K2.6 放進候選清單。^{[27][4][1][5][64][36]} 等到四款模型在同一 harness、同一工具設定與同一版本條件下都有完整共同分數，才適合排出真正的總榜。