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

哪些 benchmark 最值得看？

SWE-Bench Pro：Claude Opus 4.7 領先 GPT-5.5

在 OpenAI 的 GPT-5.5 評測表中，Claude Opus 4.7 的 SWE-Bench Pro 分數是 64.3%，高於 GPT-5.5 的 58.6%。^[21] 這是本文最可靠的直接比較之一，因為兩個模型出現在同一張 OpenAI 表中。

Kimi K2.6 也被 Kilo AI 的第三方文章列為 SWE-Bench Pro 58.6%，看起來接近 GPT-5.5；但這個數字沒有和 GPT-5.5、Claude Opus 4.7 出現在同一張可引用交叉表中，因此只能視為參考訊號，不能視為嚴格同口徑勝負。^[34]

Terminal-Bench 2.0：GPT-5.5 領先 Claude Opus 4.7

同一張 OpenAI 評測表中，GPT-5.5 在 Terminal-Bench 2.0 為 82.7%，Claude Opus 4.7 為 69.4%。^[21] 這表示如果你的場景更接近終端操作、命令列工作流或 coding agent 的執行環境，GPT-5.5 值得優先進入測試名單。

不過，本文來源沒有 Kimi K2.6 或 DeepSeek V4 在 Terminal-Bench 2.0 的可引用分數，因此不能把四個模型放在這一欄做完整排名。

SWE-Bench Verified：Claude Opus 4.7 高於 Kimi K2.6，但來源口徑不同

Claude Opus 4.7 的 SWE-Bench Verified 87.6% 出現在第三方 Claude Opus 4.7 評測整理中；Verdent 的整理將這個數字標示為 Anthropic-conducted，並提到 memorization screens applied。^[4][6] Kimi K2.6 的 SWE-Bench Verified 80.2% 則來自 Kilo AI 的第三方文章。^[34]

這兩個數字都有參考價值，但不像 OpenAI 同表中的 SWE-Bench Pro 與 Terminal-Bench 2.0 那樣適合直接嚴格對比。^[21]

Expert-SWE：不適合作為總排名依據

GPT-5.5 在 Expert-SWE（Internal）為 73.1%，但 OpenAI 自己將其標為 internal eval，並註記其他實驗室在此 eval 上看到 memorization evidence。^[21] 因此，Expert-SWE 可以作為 OpenAI 內部能力訊號，但不適合拿來當作四模型總排名的核心依據。

產品選型：依任務選模型，而不是只看總分

如果你的產品場景接近 GitHub issue 修復或複雜軟體工程任務，Claude Opus 4.7 值得優先測。 在本文最可直接對照的 SWE-Bench Pro 數據中，Claude Opus 4.7 以 64.3% 高於 GPT-5.5 的 58.6%。^[21] Vellum 也將這組比較放在 real GitHub issue resolution 的語境中解讀。^[24]

如果你的工作流更接近終端操作型 coding agent，GPT-5.5 值得優先測。 GPT-5.5 在 Terminal-Bench 2.0 的可引用分數是 82.7%，高於 Claude Opus 4.7 的 69.4%。^[21] 這不代表 GPT-5.5 在所有 coding 任務都更好，但表示它在這個特定 benchmark 上有明確優勢。

如果你需要開放模型候選，Kimi K2.6 可以進 shortlist。 Hugging Face 頁面將 Kimi K2.6 描述為 open-source、native multimodal agentic model；Kilo AI 第三方文章列出它在 SWE-Bench Pro 58.6%、SWE-Bench Verified 80.2%。^[32][34] 但在本文來源中，這些分數沒有與 GPT-5.5、Claude Opus 4.7 出現在同一張官方交叉表，因此最好用自己的任務集再測一次。

如果你正在評估 DeepSeek V4，最安全的做法是等待可引用 benchmark 或自行重測。 本文可用來源沒有 DeepSeek V4 的可核驗分數；把它強行排入榜單，反而會比留白更容易誤導。

為什麼本文不給「總冠軍」

LLM benchmark 比較最容易出錯的地方，是把不同來源、不同測試條件、不同任務類型的數字混在一起。本文採用三層證據來看：

1. 同表共享 benchmark：例如 GPT-5.5 與 Claude Opus 4.7 在 OpenAI 表中的 SWE-Bench Pro 與 Terminal-Bench 2.0，這是本文最適合直接對照的資料。^[21]
2. 第三方整理的 vendor 或 partner eval：例如 Claude Opus 4.7 的 SWE-Bench Verified 與 CursorBench，仍有參考價值，但要注意來源與測試口徑。^[4][6]
3. 缺少交叉驗證或缺少可引用數字的資料：例如 Kimi K2.6 目前主要依賴第三方文章列出的 SWE-Bench 數字，而 DeepSeek V4 在本文來源中沒有足夠可引用 benchmark。^[32][34]

按這個標準，結論很清楚：Claude Opus 4.7 在 SWE-Bench Pro 領先 GPT-5.5，GPT-5.5 在 Terminal-Bench 2.0 領先 Claude Opus 4.7；Kimi K2.6 的 SWE-Bench 數字有競爭力但證據等級較低；DeepSeek V4 目前應列為資料不足。^[21][32][34]

真正的模型選型不應停在 benchmark 表格。把這張表當作 shortlist 依據後，下一步應該用你的實際任務集重跑：包含 repo 類型、程式語言、測試環境、工具調用、延遲、成本與失敗恢復方式。這樣得到的結果，才會比「四模型總排名」更接近產品中的真實表現。