studioglobal
熱門發現
報告已發布8 來源

Claude Opus 4.7, GPT-5.5, DeepSeek V4, Kimi K2.6: Mana yang Layak Dipilih?

Tidak ada satu pemenang mutlak: Claude Opus 4.7 unggul di GPQA Diamond 94,2% dan SWE Bench Pro/SWE Pro 64,3%, sedangkan GPT 5.5/GPT 5.5 Pro unggul di Terminal Bench 2.0 82,7% dan BrowseComp 90,1%.[4] DeepSeek V4 Pro Max belum menjadi nomor satu di tabel benchmark langsung, tetapi BrowseComp 83,4% mendekati GPT 5.5 8...

使用 Studio Global AI 搜尋並查核事實從「發現」瀏覽更多內容
16K0
Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6 在 AI benchmark 儀表板上比較的概念圖
Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6 Benchmark：邊個場景最強？AI 生成概念圖：四個前沿模型按 benchmark、成本同場景拆解比較。
AI 提示

Create a landscape editorial hero image for this Studio Global article: Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6 Benchmark：邊個場景最強？. Article summary: 冇單一總冠軍：Claude Opus 4.7 喺 GPQA Diamond 94.2% 同 SWE Bench Pro 64.3% 領先；GPT 5.5／GPT 5.5 Pro 喺 Terminal Bench 2.0 82.7% 同 BrowseComp 90.1% 領先。Kimi K2.6 缺少完整同場表，所以只能按分散數據放入 shortlist。[4][10][24]. Topic tags: ai, llm, benchmarks, openai, anthropic. Reference image context from search candidates: Reference image 1: visual subject "* 编码与代理任务并非单一结论：VentureBeat 汇总显示 GPT-5.5 在 Terminal-Bench 2.0 为 82.7%，高于 DeepSeek V4 的 67.9% 和 Claude Opus 4.7 的 69.4%。[6]. * 推理评测存在分裂：Humanity’s Last Exam 无工具设置下，Claude Opus 4.7 为" source context "GPT-5.5 vs Claude Opus 4.7 vs DeepSeek V4 vs Kimi K2.6：2026 基准测试研究报告 | Deep Research | Studio Global" Reference image 2: visual subject "A comparison chart highlights the coding benchmark performances and costs of Kimi-K2.

openai.com

Membandingkan empat model ini lewat satu klasemen sering menggoda, tetapi kurang aman. Data yang paling rapi untuk perbandingan langsung mencakup DeepSeek V4-Pro-Max, GPT-5.5/GPT-5.5 Pro, dan Claude Opus 4.7. Kimi K2.6 memang punya angka yang menarik, tetapi datanya tersebar di halaman perbandingan context window, BrowseComp, SWE-Bench Pro, model card Hugging Face, dan satu benchmark coding praktis. Karena itu, cara paling sehat adalah memilih berdasarkan jenis pekerjaan, bukan mencari juara umum.[4][6][10][16][22][24]

Ringkasan pilihan cepat

KebutuhanModel yang layak dites duluAlasannya
Reasoning sulit dan tanya-jawab tanpa toolClaude Opus 4.7Dalam tabel pembanding langsung, Claude Opus 4.7 tertinggi di GPQA Diamond 94,2% dan Humanity’s Last Exam tanpa tool 46,9%.[4]
Agent yang memakai terminal, browser, atau toolGPT-5.5 / GPT-5.5 ProGPT-5.5 mencetak 82,7% di Terminal-Bench 2.0, sementara GPT-5.5 Pro mencapai 90,1% di BrowseComp, keduanya tertinggi di tabel yang sama.[4]
Software engineeringClaude Opus 4.7 lebih dulu, lalu uji GPT-5.5 dan Kimi K2.6 di repo sendiriClaude Opus 4.7 unggul di SWE-Bench Pro/SWE Pro 64,3%; LLM Stats juga menempatkan Claude Opus 4.7 di 0,64, di atas GPT-5.5 dan Kimi K2.6 yang sama-sama 0,59.[4][24]
Beban API besar dan sensitif biayaDeepSeek V4DeepSeek V4-Pro-Max tidak memimpin benchmark langsung, tetapi laporan menyebut DeepSeek sekitar seperenam biaya model AS terbaru.[4][20]
Alternatif coding-agent atau ekosistem KimiKimi K2.6Kimi K2.6 mencatat BrowseComp 83,2% di DocsBot dan SWE-Bench Pro 0,59 di LLM Stats, tetapi belum ada tabel lengkap empat model dengan sumber dan setelan yang sama.[10][24]
Workflow dengan konteks sangat panjangClaude Opus 4.7 atau GPT-5.5 lebih duluYahoo/Tech mencantumkan GPT-5.5 dan Claude Opus 4.7 dengan context window 1 juta token; Artificial Analysis mencantumkan Kimi K2.6 256k token dan Claude Opus 4.7 1000k token.[6][20]

Benchmark langsung yang paling berguna

Tabel berikut berasal dari satu pembanding yang sama, sehingga paling aman dipakai untuk membaca posisi DeepSeek V4-Pro-Max, GPT-5.5/GPT-5.5 Pro, dan Claude Opus 4.7. Catatannya: GPT-5.5 Pro hanya muncul pada sebagian metrik.[4]

BenchmarkDeepSeek V4-Pro-MaxGPT-5.5GPT-5.5 ProClaude Opus 4.7Tertinggi di tabel
GPQA Diamond90,1%93,6%—94,2%Claude Opus 4.7 [4]
Humanity’s Last Exam, tanpa tool37,7%41,4%43,1%46,9%Claude Opus 4.7 [4]
Humanity’s Last Exam, dengan tool48,2%52,2%57,2%54,7%GPT-5.5 Pro [4]
Terminal-Bench 2.067,9%82,7%—69,4%GPT-5.5 [4]
SWE-Bench Pro/SWE Pro55,4%58,6%—64,3%Claude Opus 4.7 [4]
BrowseComp83,4%84,4%90,1%79,3%GPT-5.5 Pro [4]
MCP Atlas/MCPAtlas Public73,6%75,3%—79,1%Claude Opus 4.7 [4]

Bacaan praktisnya begini: Claude Opus 4.7 tampak kuat untuk reasoning akademik, penyelesaian tanpa tool, software engineering, dan MCP Atlas. GPT-5.5 lebih menonjol saat tugasnya melibatkan terminal, browser, atau tool. DeepSeek V4-Pro-Max tidak menjadi yang tertinggi di tabel ini, tetapi BrowseComp 83,4% sangat dekat dengan GPT-5.5 84,4% dan di atas Claude Opus 4.7 79,3%.[4]

Kimi K2.6: menarik, tetapi jangan dipaksa masuk klasemen yang sama

Masalah Kimi K2.6 bukan karena tidak ada data. Masalahnya, sumber, mode, dan lawan pembandingnya tidak seragam. Angka-angka di bawah berguna untuk menentukan apakah Kimi layak diuji, tetapi tidak boleh dibaca sebagai ranking langsung melawan semua model di tabel sebelumnya.[6][10][16][22][24]

IndikatorData Kimi K2.6 yang terlihatPembandingCara membacanya
Context window256k tokenClaude Opus 4.7 di halaman yang sama tercatat 1000k tokenClaude punya kapasitas konteks yang jauh lebih besar.[6]
BrowseComp83,2% dalam Thinking modeDeepSeek-V4 Pro 83,4% Pass@1/Think MaxDi sumber ini Kimi sangat dekat dengan DeepSeek-V4 Pro, tetapi GPT-5.5 dan Claude Opus 4.7 tidak muncul di tabel yang sama.[10]
AIME 2026/APEX AgentsAIME 2026 96,4%; APEX Agents 27,9%DeepSeek-V4 Pro di halaman yang sama tercatat not availableAda sinyal kemampuan matematika dan agent, tetapi belum ada pembanding empat model yang lengkap.[10]
SWE-Bench Pro0,59Claude Opus 4.7 0,64; GPT-5.5 0,59; DeepSeek V4-Pro-Max 0,55Di LLM Stats, Kimi setara GPT-5.5, di bawah Claude, dan di atas DeepSeek.[24]
MMLU-Pro/SimpleQA-VerifiedMMLU-Pro 87,1; SimpleQA-Verified 36,9DS-V4-Pro Max 87,5 dan 57,9Berguna untuk membandingkan Kimi dan DeepSeek, tetapi tabel yang sama memakai Opus-4.6 Max dan GPT-5.4 xHigh, bukan versi utama artikel ini.[22]
Benchmark coding praktisSkor 87Claude Opus 4.7 97; GPT-5.5 xHigh 96; DeepSeek V4 Flash 78; DeepSeek V4 Pro 69Berguna sebagai referensi kerja nyata, tetapi ini satu tes coding dan tidak menggantikan benchmark standar atau evaluasi repo sendiri.[16]

Posisi Kimi K2.6 yang lebih masuk akal adalah kandidat uji, bukan juara umum yang sudah terbukti. Ia layak masuk shortlist bila Anda ingin mengevaluasi ekosistem Kimi, mencari alternatif coding-agent, atau membandingkan rasio biaya dan kemampuan di workflow sendiri.[10][16][24]

Harga, context window, dan biaya operasional

Benchmark menjawab pertanyaan soal kemampuan. Untuk keputusan produksi, biaya token, panjang konteks, dan opsi deployment bisa sama pentingnya. Ini terutama terasa bila aplikasi memproses dokumen panjang, menghasilkan banyak output, atau memanggil API ribuan hingga jutaan kali.

ModelData yang bisa diverifikasiImplikasi pemilihan
GPT-5.5$5 per 1 juta input token; $30 per 1 juta output token; context window 1 juta tokenHarga input sama dengan Claude Opus 4.7 dalam laporan ini, tetapi harga output lebih tinggi.[20]
Claude Opus 4.7$5 per 1 juta input token; $25 per 1 juta output token; context window 1 juta tokenOutput token lebih murah daripada GPT-5.5 dalam laporan yang sama; Artificial Analysis juga mencantumkan Claude dengan konteks 1000k token.[6][20]
Kimi K2.6Context window 256k tokenLebih pendek daripada Claude Opus 4.7 yang tercatat 1000k token; sumber yang tersedia di sini belum memberi harga token yang cukup lengkap untuk dibandingkan.[6]
DeepSeek V4Laporan menyebut DeepSeek sekitar seperenam biaya model AS terbaru; DataCamp mencantumkan DeepSeek V4 Pro sebagai MoE dengan 1,6 triliun total parameter, 49 miliar active parameter, dan unduhan 865 GB, sedangkan Flash 284 miliar total parameter, 13 miliar active parameter, dan unduhan 160 GBUntuk API, daya tarik utamanya adalah biaya. Untuk self-hosting atau private deployment, ukuran model dan kebutuhan perangkat keras harus ikut dihitung.[13][20]

Sinyal biaya yang paling jelas: GPT-5.5 dan Claude Opus 4.7 sama-sama tercatat $5 per 1 juta input token, tetapi GPT-5.5 tercatat $30 per 1 juta output token, sedangkan Claude Opus 4.7 $25. DeepSeek masuk dengan narasi biaya sekitar seperenam model AS terbaru.[20]

Rekomendasi berdasarkan skenario

1. Reasoning sulit: mulai dari Claude Opus 4.7

Untuk tugas seperti analisis akademik, penalaran berlapis, tanya-jawab tanpa tool, atau pekerjaan yang menuntut reliabilitas tinggi, Claude Opus 4.7 adalah kandidat awal paling kuat dari data langsung yang tersedia. Ia mencatat GPQA Diamond 94,2%, di atas GPT-5.5 93,6% dan DeepSeek V4-Pro-Max 90,1%. Pada Humanity’s Last Exam tanpa tool, Claude Opus 4.7 juga memimpin dengan 46,9%.[4]

2. Terminal, browser, dan tool-use agent: mulai dari GPT-5.5

Jika pekerjaan utamanya adalah mengoperasikan terminal, memakai browser, atau mengendalikan tool chain, GPT-5.5/GPT-5.5 Pro terlihat lebih menonjol. GPT-5.5 mencatat 82,7% di Terminal-Bench 2.0, jauh di atas Claude Opus 4.7 69,4% dan DeepSeek V4-Pro-Max 67,9%. Untuk BrowseComp, GPT-5.5 Pro mencapai 90,1%, tertinggi di tabel tersebut.[4]

3. Software engineering: Claude unggul, tetapi tetap uji di repo sendiri

Di tabel langsung, Claude Opus 4.7 memimpin SWE-Bench Pro/SWE Pro dengan 64,3%, di atas GPT-5.5 58,6% dan DeepSeek V4-Pro-Max 55,4%.[4] LLM Stats memberi arah yang mirip: Claude Opus 4.7 0,64, GPT-5.5 0,59, Kimi K2.6 0,59, dan DeepSeek V4-Pro-Max 0,55.[24]

Namun benchmark coding sangat mudah dipengaruhi bahasa pemrograman, gaya repo, test suite, prompt, dan konfigurasi agent. Satu benchmark coding praktis mencatat Claude Opus 4.7 97, GPT-5.5 xHigh 96, Kimi K2.6 87, DeepSeek V4 Flash 78, dan DeepSeek V4 Pro 69. Angka ini berguna, tetapi tidak cukup untuk menggantikan evaluasi pada issue, bug ticket, dan pull request milik tim Anda sendiri.[16]

4. Biaya besar dan volume panggilan tinggi: DeepSeek V4 patut dites awal

Jika hambatan utama adalah biaya token, DeepSeek V4 masuk sebagai kandidat yang masuk akal. Dalam tabel langsung, DeepSeek V4-Pro-Max belum menjadi yang tertinggi, tetapi beberapa skornya tetap mendekati model frontier; di saat yang sama, laporan menyebut DeepSeek sekitar seperenam biaya model AS terbaru.[4][20]

Catatan pentingnya: ukuran model DeepSeek V4 Pro tidak kecil. DataCamp mencantumkan versi Pro dengan 1,6 triliun total parameter, 49 miliar active parameter, dan unduhan 865 GB.[13] Bila Anda tidak hanya memakai API, tetapi mempertimbangkan deployment privat, faktor perangkat keras, storage, biaya inferensi, dan operasional harus dihitung sejak awal.

5. Kimi K2.6: masukkan shortlist, lalu jalankan eval sendiri

Kimi K2.6 punya beberapa sinyal positif. DocsBot mencatat BrowseComp 83,2%, hampir sama dengan DeepSeek-V4 Pro 83,4% di halaman yang sama. LLM Stats mencatat Kimi K2.6 0,59 di SWE-Bench Pro, setara GPT-5.5. Benchmark coding praktis juga menempatkan Kimi K2.6 pada skor 87.[10][16][24]

Tetapi karena belum ada pembanding lengkap dengan Claude Opus 4.7, GPT-5.5, dan DeepSeek V4-Pro-Max dalam satu sumber, satu setelan, dan cakupan benchmark yang sama, Kimi K2.6 sebaiknya dibaca sebagai kandidat potensial, bukan pemenang empat arah yang sudah terbukti.[10][24]

Batasan data yang perlu diingat

  1. Kimi K2.6 belum punya tabel langsung yang lengkap. Data langsung paling lengkap mencakup DeepSeek V4-Pro-Max, GPT-5.5/GPT-5.5 Pro, dan Claude Opus 4.7. Untuk Kimi, kita harus menggabungkan Artificial Analysis, DocsBot, LLM Stats, Hugging Face model card, dan benchmark coding praktis.[4][6][10][16][22][24]
  2. Nama versi dan mode tidak selalu sama. Sumber memakai label seperti GPT-5.5 Pro, GPT-5.5 xHigh, DeepSeek-V4 Pro, DeepSeek V4-Pro-Max, Kimi Thinking, dan Claude Opus 4.7 Adaptive Reasoning/Max Effort. Label ini tidak otomatis berarti setelan pengujian identik.[4][6][10][16][22]
  3. Format skor lintas platform tidak selalu bisa dijumlahkan. Tabel langsung memakai persentase untuk SWE-Bench Pro/SWE Pro, sementara LLM Stats memakai format 0,xx untuk SWE-Bench Pro. Cara yang lebih aman adalah membaca ranking dalam sumber yang sama, lalu menjalankan eval sendiri.[4][24]
  4. Data harga tidak merata. GPT-5.5 dan Claude Opus 4.7 punya angka input/output token yang jelas di laporan yang tersedia. DeepSeek terutama muncul lewat klaim biaya sekitar seperenam model AS terbaru. Untuk Kimi K2.6, sumber yang tersedia di sini belum memberi harga token yang cukup lengkap.[6][20]

Kesimpulan

Jika harus diringkas: Claude Opus 4.7 unggul untuk reasoning sulit dan benchmark software engineering; GPT-5.5/GPT-5.5 Pro unggul untuk tugas dengan terminal, browser, dan tool-use; DeepSeek V4-Pro-Max menarik sebagai kompromi biaya dan kemampuan; Kimi K2.6 punya sinyal kuat, tetapi masih perlu bukti pembanding yang lebih lengkap.[4][10][20][24]

Untuk keputusan nyata, jangan berhenti di tabel publik. Jalankan empat model pada repo, dokumen, bug ticket, workflow riset, tool permission, batas konteks, target latency, toleransi kesalahan, dan anggaran token yang sama. Di situlah benchmark berubah dari angka promosi menjadi keputusan produk.

Studio Global AI

Search, cite, and publish your own answer

Use this topic as a starting point for a fresh source-backed answer, then compare citations before you share it.

使用 Studio Global AI 搜尋並查核事實

重點

  • Tidak ada satu pemenang mutlak: Claude Opus 4.7 unggul di GPQA Diamond 94,2% dan SWE Bench Pro/SWE Pro 64,3%, sedangkan GPT 5.5/GPT 5.5 Pro unggul di Terminal Bench 2.0 82,7% dan BrowseComp 90,1%.[4]
  • DeepSeek V4 Pro Max belum menjadi nomor satu di tabel benchmark langsung, tetapi BrowseComp 83,4% mendekati GPT 5.5 84,4%; laporan lain menyebut biaya DeepSeek sekitar seperenam model AS terbaru.[4][20]
  • Kimi K2.6 layak masuk shortlist, terutama untuk ekosistem Kimi dan eksperimen coding agent, tetapi datanya belum selengkap tiga model lain dalam satu tabel pembanding yang sama.[10][16][24]

人們還問

「Claude Opus 4.7, GPT-5.5, DeepSeek V4, Kimi K2.6: Mana yang Layak Dipilih?」的簡短答案是什麼？

Tidak ada satu pemenang mutlak: Claude Opus 4.7 unggul di GPQA Diamond 94,2% dan SWE Bench Pro/SWE Pro 64,3%, sedangkan GPT 5.5/GPT 5.5 Pro unggul di Terminal Bench 2.0 82,7% dan BrowseComp 90,1%.[4]

首先要驗證的關鍵點是什麼？

Tidak ada satu pemenang mutlak: Claude Opus 4.7 unggul di GPQA Diamond 94,2% dan SWE Bench Pro/SWE Pro 64,3%, sedangkan GPT 5.5/GPT 5.5 Pro unggul di Terminal Bench 2.0 82,7% dan BrowseComp 90,1%.[4] DeepSeek V4 Pro Max belum menjadi nomor satu di tabel benchmark langsung, tetapi BrowseComp 83,4% mendekati GPT 5.5 84,4%; laporan lain menyebut biaya DeepSeek sekitar seperenam model AS terbaru.[4][20]

接下來在實務上我該做什麼？

Kimi K2.6 layak masuk shortlist, terutama untuk ekosistem Kimi dan eksperimen coding agent, tetapi datanya belum selengkap tiga model lain dalam satu tabel pembanding yang sama.[10][16][24]

接下來我應該探索哪個相關主題？

繼續“Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6：2026 Benchmark 點睇先唔會睇錯”以獲得另一個角度和額外的引用。

開啟相關頁面

我應該將其與什麼進行比較？

對照「DeepSeek V4 唔止 1M context：MoE、長上下文同 API 遷移重點」交叉檢查此答案。

開啟相關頁面

繼續你的研究

Comparativa de benchmarks 2026 entre Claude Opus 4.7, GPT-5.5, DeepSeek V4 y Kimi K2.6

Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6：2026 Benchmark 點睇先唔會睇錯

Claude Opus 4.7 vs GPT-5.5 vs DeepSeek V4 vs Kimi K2.6：2026 Benchmark 實證比較

DeepSeek V4 工程架构示意图，包含 1M 上下文、MoE 专家路由和 API 服务化元素

DeepSeek V4 唔止 1M context：MoE、長上下文同 API 遷移重點

DeepSeek V4 唔止 1M context：MoE、長上下文同 API 遷移重點

木材市場與需求彈性概念的編輯插圖

Northwest vs Southeast Timber：替代性越高，點解係 larger; larger？

Northwest 與 Southeast Timber：替代性高，點解兩格都填 larger？

抽象 AI 晶片與多個聊天機器人平台競爭的示意圖，象徵 DeepSeek 挑戰 OpenAI、Claude、Gemini 與 Grok

DeepSeek 會唔會打低 OpenAI、Claude、Gemini、Grok？真正關鍵係成本同信任

DeepSeek 會唔會打低 OpenAI、Claude、Gemini、Grok？

研究對話

你

研究問題

研究 Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6 嘅基準測試，並盡可能全面咁作出比較。

Studio Global AI25 來源

引用的答案

用你提供嘅證據，未能嚴格完成 Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6「同版本、同設定、同基準」嘅全面 benchmark 對比。現有資料對 DeepSeek V4 同 Kimi K2.6 有少量量化分數，但 Claude Opus 4.7 同 GPT-5.5 主要只有定價、上下文長度或定性描述；所以整體結論係：Insufficient evidence.

Key findings

  • Claude Opus 4.7 被描述為 Anthropic 最新 Opus 系列模型，重點係提升進階軟件工程、複雜問題解決、困難 coding challenge 同長流程工作表現，但提供證據入面冇可核實 benchmark 分數。[1]

  • GPT-5.5 喺現有證據入面主要有價格同上下文資料：每 100 萬 input tokens $5、每 100 萬 output tokens $30、1 million context window；但冇提供可用嚟同 DeepSeek V4、Kimi K2.6、Claude Opus 4.7 直接比較嘅 benchmark 分數。[4]

  • Claude Opus 4.7 嘅價格資料為每 100 萬 input tokens $5、每 100 萬 output tokens $25、1 million context window；但證據入面冇同場 benchmark 數字。[4]

  • DeepSeek V4-Pro 有最具體嘅模型規格資料：Pro 版係 MoE 架構，總參數 1.6 trillion、active parameters 49 billion、下載大小 865GB；Flash 版總參數 284 billion、active parameters 13 billion、下載大小 160GB。[7]

  • DeepSeek Hugging Face model card 提供咗部分 knowledge / reasoning benchmark：喺 MMLU-Pro，DS-V4-Pro Max 得 87.5，K2.6 Thinking 得 87.1；但同一表格比較嘅係 Opus-4.6 Max 同 GPT-5.4 xHigh，唔係 Claude Opus 4.7 同 GPT-5.5。[8]

  • 喺 SimpleQA-Verified，DS-V4-Pro Max 得 57.9，K2.6 Thinking 得 36.9；同一表格入面 Opus-4.6 Max 係 46.2、GPT-5.4 xHigh 係 45.3、Gemini-3.1-Pro High 係 75.6，但呢啲唔等於 Claude Opus 4.7 / GPT-5.5 嘅成績。[8]

  • 一個次級報道聲稱 DeepSeek V4-Pro 喺 Codeforces 得分 3,206，約等於人類參賽者第 23 名左右；同一來源亦聲稱 DeepSeek V4-Pro 喺 Apex Shortlist 達 90.2%，高過 Opus 4.6 嘅 85.9%。[2]

  • Artificial Analysis 有一個 DeepSeek V4 Pro Reasoning Max Effort vs GPT-5.5 low 嘅比較頁，並列出 Intelligence Index v4.0 包含 GDPval-AA、Terminal-Bench Hard、SciCode、Humanity’s Last Exam、GPQA Diamond 等項目；但你提供嘅證據片段冇實際分數，所以不能用嚟判斷 GPT-5.5 贏定 DeepSeek V4-Pro 贏。[5]

Benchmark comparison from available evidence

項目Claude Opus 4.7GPT-5.5DeepSeek V4 / V4-ProKimi K2.6
MMLU-Pro無 Opus 4.7 分數；只見 Opus 4.6 Max 89.1無 GPT-5.5 分數；只見 GPT-5.4 xHigh 87.5DS-V4-Pro Max 87.5K2.6 Thinking 87.1
SimpleQA-Verified無 Opus 4.7 分數；只見 Opus 4.6 Max 46.2無 GPT-5.5 分數；只見 GPT-5.4 xHigh 45.3DS-V4-Pro Max 57.9K2.6 Thinking 36.9
Codeforces無資料無資料V4-Pro 3,206；約人類參賽者第 23 名無資料
Apex Shortlist無 Opus 4.7 分數；只見 Opus 4.6 85.9片段不足，不能確認V4-Pro 90.2%無資料
價格$5 / 1M input，$25 / 1M output$5 / 1M input，$30 / 1M output證據不足證據不足
Context window1 million1 million證據不足證據不足

以上表格中，MMLU-Pro 同 SimpleQA-Verified 只可以嚴格比較 DeepSeek V4-Pro Max 同 Kimi K2.6 Thinking；Opus 同 GPT 欄位因為係 Opus 4.6 / GPT-5.4，而唔係用戶指定嘅 Opus 4.7 / GPT-5.5，所以只可作參考，不可當成正式同版本比較。[8]

Model-by-model assessment

Claude Opus 4.7

  • 現有證據將 Claude Opus 4.7 描述為面向高階 software engineering、complex problem-solving、difficult coding challenges 同 long-running workflows 嘅升級模型。[1]

  • 但提供資料冇 SWE-bench、Aider、Terminal-Bench、GPQA、MMLU-Pro、Humanity’s Last Exam 或其他可核實數字，所以無法判定佢相對 GPT-5.5、DeepSeek V4 或 Kimi K2.6 嘅實際 benchmark 排名。[1]

  • 價格方面，Claude Opus 4.7 係 $5 / 1M input tokens、$25 / 1M output tokens，並列出 1 million context window。[4]

GPT-5.5

  • 現有證據顯示 GPT-5.5 價格係 $5 / 1M input tokens、$30 / 1M output tokens，並列出 1 million context window。[4]

  • 另一個來源描述 GPT-5.5 係 natively omnimodal model，並具備 computer use capabilities；但呢個來源冇提供可直接比較嘅 benchmark 分數。[6]

  • Artificial Analysis 比較頁涵蓋 DeepSeek V4 Pro vs GPT-5.5 low，並列出多個 benchmark 組件，但提供證據片段冇實際成績，所以不能得出 GPT-5.5 喺該比較中嘅勝負。[5]

DeepSeek V4 / V4-Pro

  • DeepSeek V4-Pro 係現有證據入面量化資料最多嘅模型：Pro 版採用 MoE，總參數 1.6T、active 49B、下載大小 865GB；Flash 版總參數 284B、active 13B、下載大小 160GB。[7]

  • 喺 Hugging Face model card 表格，DS-V4-Pro Max 喺 MMLU-Pro 得 87.5，略高於 K2.6 Thinking 嘅 87.1，但低於 Opus-4.6 Max 嘅 89.1 同 Gemini-3.1-Pro High 嘅 91.0。[8]

  • 喺 SimpleQA-Verified，DS-V4-Pro Max 得 57.9，高過 K2.6 Thinking 36.9、Opus-4.6 Max 46.2 同 GPT-5.4 xHigh 45.3，但低過 Gemini-3.1-Pro High 75.6。[8]

  • 一個次級報道聲稱 V4-Pro 喺 Codeforces 得 3,206，約等於人類參賽者第 23 名左右；呢個係有用但需要獨立驗證嘅 competitive programming 指標。[2]

  • 同一報道稱 V4-Pro 喺 Apex Shortlist 得 90.2%，高過 Opus 4.6 嘅 85.9%；但該證據唔係官方 benchmark 報告，而且片段未完整列出 GPT 或 Kimi 對應值。[2]

Kimi K2.6

  • Kimi K2.6 喺現有證據入面主要出現喺 DeepSeek Hugging Face benchmark 表格，版本標示為 K2.6 Thinking。[8]

  • 喺 MMLU-Pro，K2.6 Thinking 得 87.1，略低於 DS-V4-Pro Max 87.5。[8]

  • 喺 SimpleQA-Verified，K2.6 Thinking 得 36.9，低於 DS-V4-Pro Max 57.9、Opus-4.6 Max 46.2 同 GPT-5.4 xHigh 45.3。[8]

  • 現有證據冇提供 Kimi K2.6 嘅價格、context window、coding benchmark、agent benchmark 或數學 benchmark，因此不能全面評估佢相對另外三個模型嘅整體能力。

Evidence notes

  • 最有量化價值嘅證據係 DeepSeek Hugging Face model card，因為佢提供咗 MMLU-Pro 同 SimpleQA-Verified 分數；但佢比較嘅係 DS-V4-Pro Max、K2.6 Thinking、Opus-4.6 Max、GPT-5.4 xHigh 等，唔係完整覆蓋 Claude Opus 4.7 同 GPT-5.5。[8]

  • Artificial Analysis 來源有潛在價值，因為佢列出一組較全面嘅 Intelligence Index v4.0 benchmarks；但現有片段只見 benchmark 名稱，冇分數，所以不能用嚟作量化結論。[5]

  • SourceForge 對 Claude Opus 4.7 只提供產品描述式資訊，說明其針對 software engineering、complex problem-solving、long-running workflows 有提升，但缺少 benchmark 數字。[1]

  • Yahoo / Mashable 片段提供 GPT-5.5 同 Claude Opus 4.7 價格及 context window，但唔提供 benchmark 結果。[4]

  • Cryptonews 來源提供 DeepSeek V4-Pro 嘅 Codeforces 同 Apex Shortlist 數字，但屬次級報道，可靠性弱過官方 model card 或獨立 benchmark 平台。[2]

Limitations / uncertainty

  • Insufficient evidence：現有資料不足以對 Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6 做嚴格、全面、同版本、同設定嘅 benchmark 排名。

  • 最大問題係版本唔一致：可見量化表格比較咗 Opus-4.6 Max 同 GPT-5.4 xHigh，而用戶問題要求嘅係 Claude Opus 4.7 同 GPT-5.5。[8]

  • 第二個問題係 benchmark 覆蓋唔平均：DeepSeek V4-Pro 同 Kimi K2.6 有少量 knowledge / QA 分數，但 Claude Opus 4.7 同 GPT-5.5 缺少同場分數。[8]

  • 第三個問題係來源可靠性參差：Hugging Face model card 有分數但可能屬模型發布方資料；Artificial Analysis 片段有方法但冇分數；新聞 / blog 類來源提供部分資訊但需要更高權威來源驗證。[2][5][8]

Summary

  • 如果只睇現有量化證據，DeepSeek V4-Pro Max 喺 SimpleQA-Verified 明顯高過 Kimi K2.6 Thinking，喺 MMLU-Pro 亦略高過 Kimi K2.6 Thinking。[8]

  • 但 DeepSeek V4-Pro Max 對 Claude Opus 4.7 同 GPT-5.5 嘅直接勝負無法判定，因為可見表格只列 Opus-4.6 Max 同 GPT-5.4 xHigh，而唔係指定版本。[8]

  • Claude Opus 4.7 目前只可確認其定位係強化 software engineering、complex problem-solving 同 long-running workflows；GPT-5.5 目前只可確認價格、1 million context window，以及一個來源聲稱佢係 natively omnimodal model with computer use capabilities。[1][4][6]

  • 最穩妥結論係：DeepSeek V4-Pro 喺你提供嘅證據中有最多可比較數據；Kimi K2.6 有少量可比較數據；Claude Opus 4.7 同 GPT-5.5 缺少足夠 benchmark 數字，所以不能公平排名。

來源

  • [4] DeepSeek-V4 arrives with near state-of-the-art intelligence at 1/6th ...venturebeat.com

    BenchmarkDeepSeek-V4-Pro-MaxGPT-5.5GPT-5.5 Pro, where shownClaude Opus 4.7Best result among these GPQA Diamond90.1%93.6%—94.2%Claude Opus 4.7 Humanity’s Last Exam, no tools37.7%41.4%43.1%46.9%Claude Opus 4.7 Humanity’s Last Exam, with tools48.2%52.2%57.2%54...

  • [6] Kimi K2.6 vs Claude Opus 4.7 (Adaptive Reasoning, Max Effort): Model Comparisonartificialanalysis.ai

    Highlights Model Comparison Metric Kimi logoKimi K2.6 Anthropic logoClaude Opus 4.7 (Adaptive Reasoning, Max Effort) Analysis --- --- Creator Kimi Anthropic Context Window 256k tokens ( 384 A4 pages of size 12 Arial font) 1000k tokens ( 1500 A4 pages of siz...

  • [10] Kimi K2.6 vs DeepSeek-V4 Pro - DocsBot AIdocsbot.ai

    Benchmark Kimi K2.6 DeepSeek-V4 Pro --- AIME 2026 American Invitational Mathematics Examination 2026 - Evaluates advanced mathematical problem-solving abilities (contest-level math) 96.4% Thinking mode Source Not available APEX Agents Evaluates long-horizon...

  • [13] DeepSeek V4: Features, Benchmarks, and Comparisonsdatacamp.com

    How large are the DeepSeek V4 models? DeepSeek uses a Mixture of Experts (MoE) architecture. The Pro model contains 1.6 trillion total parameters (49 billion active) and requires an 865GB download. The Flash model contains 284 billion parameters (13 billion...

  • [16] LLM Coding Benchmark (April 2026): GPT 5.5, DeepSeek v4, Kimi ...akitaonrails.com

    Rank Model Score Tier RubyLLM OK Time Cost --- --- --- 1 Claude Opus 4.7 97 A ✅ 18m $1.10 1 GPT 5.4 xHigh (Codex) 97 A ✅ 22m $16 3 GPT 5.5 xHigh (Codex) 96 A ✅ 18m $10 4 Kimi K2.6 87 A ✅ 20m $0.30 5 Claude Opus 4.6 83 A ✅ 16m $1.10 6 Gemini 3.1 Pro 82 A ✅ 1...

  • [20] DeepSeek V4 is here: How it compares to ChatGPT, Claude, Geminitech.yahoo.com

    DeepSeek V4 is here: How it compares to ChatGPT, Claude, Gemini GPT-5.5 costs at $5 per 1 million input tokens and $30 per 1 million output tokens (1 million context window) Claude Opus 4.7costs at $5 per 1 million input tokens and $25 per 1 million output...

  • [22] deepseek-ai/DeepSeek-V4-Pro - Hugging Facehuggingface.co

    Opus-4.6 Max GPT-5.4 xHigh Gemini-3.1-Pro High K2.6 Thinking GLM-5.1 Thinking DS-V4-Pro Max :---: :---: :---: Knowledge & Reasoning MMLU-Pro (EM) 89.1 87.5 91.0 87.1 86.0 87.5 SimpleQA-Verified (Pass@1) 46.2 45.3 75.6 36.9 38.1 57.9 Chinese-SimpleQA (Pass@1...

  • [24] DeepSeek-V4-Pro-Max: Pricing, Benchmarks & Performancellm-stats.com

    SWE-Bench ProView → 11 of 11 Image 35: LLM Stats Logo SWE-Bench Pro is an advanced version of SWE-Bench that evaluates language models on complex, real-world software engineering tasks requiring extended reasoning and multi-step problem solving. More 1Image...