GPT-5.5, Claude Opus 4.7, DeepSeek V4 và Kimi K2.6: so sánh benchmark theo từng tác vụ

Bảng này cho thấy lý do không nên tuyên bố một mô hình “thắng toàn diện”. Claude Opus 4.7 dẫn nhiều bài reasoning và software engineering trong dữ liệu trực tiếp; GPT-5.5 Pro dẫn các bài có tool và browsing; GPT-5.5 dẫn Terminal-Bench 2.0; còn Kimi K2.6 xuất hiện chủ yếu ở các nguồn riêng như LLM Stats và DocsBot, không phải trong cùng một bảng đối chiếu đầy đủ ^[2][3][8][9].

Reasoning khó: Claude Opus 4.7 đang nhỉnh hơn

Trong bảng so sánh trực tiếp của VentureBeat, Claude Opus 4.7 đạt 94.2% trên GPQA Diamond, cao hơn GPT-5.5 ở 93.6% và DeepSeek-V4-Pro-Max ở 90.1% ^[2]. Khoảng cách giữa Claude và GPT-5.5 không lớn, nhưng Claude vẫn là mô hình đứng đầu hàng GPQA Diamond trong dữ liệu đó ^[2].

Claude Opus 4.7 cũng dẫn Humanity’s Last Exam không dùng tool với 46.9%, so với GPT-5.5 Pro 43.1%, GPT-5.5 41.4% và DeepSeek-V4-Pro-Max 37.7% ^[2]. Nếu tác vụ chính là câu hỏi tri thức khó, reasoning khoa học hoặc bài kiểm tra không có công cụ hỗ trợ, dữ liệu hiện có nghiêng về Claude Opus 4.7 ^[2].

Kimi K2.6 có tín hiệu riêng trên GPQA: LLM Stats liệt kê Kimi K2.6 ở mức 0.91, trong khi Claude Opus 4.7 và GPT-5.5 cùng được liệt kê ở mức làm tròn 0.94 trên leaderboard đó ^[8]. Tuy nhiên, đây không phải cùng bảng GPQA Diamond trực tiếp của VentureBeat, nên nên xem là dữ liệu tham khảo thay vì phép so sánh tuyệt đối ^[2][8].

Tool use và web browsing: GPT-5.5 Pro nổi bật nhất

Khi benchmark cho phép dùng công cụ, thứ hạng thay đổi rõ. Trên Humanity’s Last Exam có tool, GPT-5.5 Pro đạt 57.2%, cao hơn Claude Opus 4.7 ở 54.7%, GPT-5.5 ở 52.2% và DeepSeek-V4-Pro-Max ở 48.2% ^[2].

BrowseComp cũng nghiêng về GPT-5.5 Pro trong bảng VentureBeat: GPT-5.5 Pro đạt 90.1%, GPT-5.5 đạt 84.4%, DeepSeek-V4-Pro-Max đạt 83.4% và Claude Opus 4.7 đạt 79.3% ^[2]. DocsBot liệt kê Kimi K2.6 ở 83.2% trên BrowseComp, nhưng dữ liệu này nằm trong một trang so sánh riêng giữa Kimi K2.6 và DeepSeek-V4 Pro, không phải cùng ma trận đầy đủ của VentureBeat ^[9].

Vì vậy, nếu workload phụ thuộc nhiều vào browsing, tool orchestration hoặc tìm kiếm thông tin trên web, GPT-5.5 Pro là lựa chọn nổi bật nhất trong bộ số liệu được trích ^[2].

Terminal và agentic CLI: GPT-5.5 có lợi thế rõ

Terminal-Bench 2.0 quan trọng với các tác vụ agent thao tác trong môi trường shell, thay vì chỉ trả lời câu hỏi. Benchmark này được mô tả là đo khả năng hoàn thành workflow CLI thực tế, gồm thao tác file, chạy script, debug và phối hợp công cụ ^[5].

Trong bảng VentureBeat, GPT-5.5 đạt 82.7% trên Terminal-Bench 2.0, vượt Claude Opus 4.7 ở 69.4% và DeepSeek-V4-Pro-Max ở 67.9% ^[2]. Nếu use case chính là agent chạy lệnh, sửa lỗi qua terminal, tự động hóa repo hoặc workflow nhiều bước trong shell, đây là lợi thế rõ nhất của GPT-5.5 trong dữ liệu hiện có ^[2][5].

Software engineering: Claude Opus 4.7 dẫn SWE-Bench Pro

SWE-Bench Pro là tín hiệu đáng chú ý cho các tác vụ kỹ thuật phần mềm phức tạp. LLM Stats mô tả benchmark này là phiên bản nâng cao của SWE-Bench, đánh giá các tác vụ software engineering thực tế, cần suy luận kéo dài và giải quyết nhiều bước ^[3].

Trong bảng VentureBeat, Claude Opus 4.7 đạt 64.3% trên SWE-Bench Pro / SWE Pro, cao hơn GPT-5.5 ở 58.6% và DeepSeek-V4-Pro-Max ở 55.4% ^[2]. LLM Stats cũng liệt kê Claude Opus 4.7 ở 0.64, GPT-5.5 ở 0.59, Kimi K2.6 ở 0.59 và DeepSeek-V4-Pro-Max ở 0.55 trên SWE-Bench Pro ^[3].

Hai nguồn dùng cách trình bày điểm khác nhau, nhưng cho cùng một tín hiệu chính: Claude Opus 4.7 dẫn nhóm này trên SWE-Bench Pro; GPT-5.5 và Kimi K2.6 ở sát nhau trong bảng LLM Stats; DeepSeek-V4-Pro-Max thấp hơn trong các số liệu được trích ^[2][3].

DeepSeek V4: hấp dẫn về chi phí, nhưng cần kiểm soát hallucination

DeepSeek-V4-Pro-Max không dẫn đầu hàng nào trong bảng đối chiếu trực tiếp của VentureBeat: mô hình này đạt 90.1% trên GPQA Diamond, 37.7% trên Humanity’s Last Exam không tool, 48.2% trên Humanity’s Last Exam có tool, 67.9% trên Terminal-Bench 2.0, 55.4% trên SWE-Bench Pro, 83.4% trên BrowseComp và 73.6% trên MCP Atlas ^[2].

Điểm hấp dẫn của DeepSeek V4 nằm ở hiệu năng trên chi phí. VentureBeat mô tả DeepSeek-V4 là gần state-of-the-art với chi phí khoảng 1/6 so với Opus 4.7 và GPT-5.5 ^[2]. Tuy nhiên, Artificial Analysis ghi nhận DeepSeek V4 Pro Max đạt -10 trên AA-Omniscience, cải thiện 11 điểm so với V3.2 Reasoning ở -21, đồng thời nói V4 Pro và V4 Flash có tỷ lệ hallucination rất cao, lần lượt 94% và 96% ^[1].

Không nên suy diễn rằng DeepSeek V4 chắc chắn kém tin cậy nhất trong toàn bộ nhóm, vì các nguồn được trích không cung cấp cùng một thước đo hallucination cho GPT-5.5, Claude Opus 4.7 và Kimi K2.6 ^[1]. Kết luận an toàn hơn là: DeepSeek V4 đáng cân nhắc nếu chi phí là ưu tiên, nhưng cần kiểm thử hallucination nghiêm túc trên dữ liệu và quy trình thật của bạn ^[1][2].

Kimi K2.6: có tín hiệu tốt, nhưng thiếu dữ liệu đồng nhất

Kimi K2.6 là mô hình khó xếp hạng nhất trong bài so sánh này, vì dữ liệu không nằm trong cùng một ma trận benchmark đầy đủ với GPT-5.5, GPT-5.5 Pro, Claude Opus 4.7 và DeepSeek-V4-Pro-Max ^[2][3][8][9].

Các nguồn khác vẫn cho một số tín hiệu đáng chú ý. LLM Stats liệt kê Kimi K2.6 ở 0.91 trên GPQA và 0.59 trên SWE-Bench Pro ^[3][8]. DocsBot liệt kê Kimi K2.6 đạt 96.4% trên AIME 2026 ở thinking mode, 27.9% trên APEX Agents và 83.2% trên BrowseComp; cùng trang DocsBot liệt kê DeepSeek-V4 Pro ở 83.4% trên BrowseComp ^[9].

Vì các điểm này đến từ nguồn và ngữ cảnh khác nhau, kết luận hợp lý không phải là Kimi K2.6 thắng hay thua toàn diện. Thay vào đó, Kimi K2.6 nên được xem là ứng viên đáng thử khi các benchmark riêng của nó khớp với nhu cầu, đặc biệt nếu bạn có thể tự chạy bài kiểm thử nội bộ trên dữ liệu thật ^[3][8][9].

Nên chọn mô hình nào?

• Reasoning khoa học hoặc tri thức khó không dùng tool: chọn Claude Opus 4.7 trước, vì mô hình này dẫn GPQA Diamond và Humanity’s Last Exam không tool trong bảng đối chiếu trực tiếp ^[2].
• Tác vụ cần tool, web hoặc browsing: ưu tiên GPT-5.5 Pro, vì mô hình này dẫn Humanity’s Last Exam có tool và BrowseComp trong dữ liệu được trích ^[2].
• Agent chạy terminal, workflow CLI, sửa lỗi qua shell: GPT-5.5 có tín hiệu mạnh nhất với 82.7% trên Terminal-Bench 2.0 ^[2][5].
• Software engineering phức tạp: Claude Opus 4.7 dẫn SWE-Bench Pro trong cả bảng VentureBeat và LLM Stats; GPT-5.5 và Kimi K2.6 ở cùng mức 0.59 trong bảng LLM Stats ^[2][3].
• Tối ưu chi phí/hiệu năng: DeepSeek V4 đáng cân nhắc vì được mô tả là gần state-of-the-art với chi phí khoảng 1/6 so với Opus 4.7 và GPT-5.5, nhưng cần kiểm soát rủi ro hallucination ^[1][2].
• Muốn thử Kimi K2.6: hãy coi các điểm GPQA, SWE-Bench Pro, AIME 2026, APEX Agents và BrowseComp như tín hiệu riêng lẻ, không phải bằng chứng cho vị trí số một toàn diện ^[3][8][9].

Những giới hạn cần nhớ khi đọc benchmark

Thứ nhất, GPT-5.5 Pro chỉ có số liệu ở một số hàng trong bảng VentureBeat, nên không thể giả định bản Pro dẫn hoặc thua ở mọi benchmark không được báo cáo ^[2]. Thứ hai, dữ liệu Kimi K2.6 chủ yếu đến từ LLM Stats và DocsBot, không phải cùng bảng đối chiếu đầy đủ với GPT-5.5, GPT-5.5 Pro, Claude Opus 4.7 và DeepSeek-V4-Pro-Max ^[2][3][8][9].

Thứ ba, OpenAI có system card riêng cho GPT-5.5, trong đó CoT-Control gồm hơn 13,000 tác vụ xây dựng từ GPQA, MMLU-Pro, HLE, BFCL và SWE-Bench Verified ^[20]. Đây là thông tin hữu ích về cách GPT-5.5 được đánh giá, nhưng các nguồn được trích không có kết quả CoT-Control tương đương cho Claude Opus 4.7, DeepSeek V4 và Kimi K2.6 để xếp hạng ngang hàng ^[20].

Nếu buộc phải tóm gọn: Claude Opus 4.7 là lựa chọn mạnh nhất trong dữ liệu này cho reasoning khó và SWE-Bench Pro; GPT-5.5 Pro mạnh nhất ở bài có tool và browsing; GPT-5.5 nổi bật nhất ở terminal; DeepSeek V4 đáng xem xét khi chi phí là ưu tiên; Kimi K2.6 có tín hiệu tốt nhưng thiếu ma trận so sánh đồng nhất ^{[1][2][3][8][9]}.

Ôn thi cảnh sát Hong Kong: ICAC, quyền lực cảnh sát và trách nhiệm giải trình