studioglobal
熱門探索內容
報告已發布9 個來源

GPT-5.5 vs DeepSeek V4: mana yang lebih masuk akal dipakai?

Tidak ada bukti kuat bahwa GPT 5.5 atau DeepSeek V4 menang di semua sisi. BenchLM mencatat DeepSeek V4 Flash High unggul di coding dengan skor rata rata 72,2 vs 58,6, tetapi GPT 5.5 unggul di agentic tasks dengan 81,8...

使用 Studio Global AI 搜尋並查證事實探索更多內容
18K0
GPT-5.5 與 DeepSeek V4 基準測試、coding、agent 任務與價格比較的抽象科技視覺
GPT-5.5 vs DeepSeek V4：基準測試、Coding、Agentic Tasks 與價格比較AI 生成的示意圖，用於呈現 GPT-5.5 與 DeepSeek V4 在基準測試與成本上的對照。
AI 提示詞

Create a landscape editorial hero image for this Studio Global article: GPT-5.5 vs DeepSeek V4：基準測試、Coding、Agentic Tasks 與價格比較. Article summary: 目前沒有足夠證據說 GPT 5.5 或 DeepSeek V4 全面勝出：BenchLM 顯示 DeepSeek V4 Flash High 在 coding 以 72.2 對 58.6 領先，GPT 5.5 在 agentic tasks 以 81.8 對 55.4 領先；結論取決於版本與任務 [13]。. Topic tags: ai, openai, deepseek, benchmarks, coding. Reference image context from search candidates: Reference image 1: visual subject "The image displays a comparison chart showing that GPT-5.5 outperforms DeepSeek V4 across various coding agentic benchmarks, with GPT-5.5 winning in most categories except for Deep" Reference image 2: visual subject "The image displays a comparison chart highlighting the capabilities and upcoming features of DeepSeek V4, Claude 4.5, and GPT-5.2 AI models, including benchmark scores, ability to" Style: premium digital editorial illustration, source-backed res

openai.com

Menanyakan mana yang lebih kuat antara GPT-5.5 dan DeepSeek V4 bisa cepat menyesatkan. Masalahnya, data publik yang tersedia tidak selalu membandingkan model dalam konfigurasi yang sama: BenchLM memakai DeepSeek V4 Flash High, VentureBeat memakai DeepSeek-V4-Pro-Max, sementara Artificial Analysis membandingkan DeepSeek V4 Pro Reasoning, Max Effort dengan GPT-5.5 xhigh [4][13][16].

Jadi, cara membaca yang paling aman bukan mencari satu juara umum, melainkan mengaitkan setiap angka dengan versi model, mode reasoning, jenis tugas, dan harga. Untuk tim engineering atau produk yang harus memilih model API, pendekatan ini jauh lebih berguna daripada sekadar melihat peringkat agregat.

Ringkasan cepat: pilih berdasarkan beban kerja, bukan merek

Benchmark paling langsung dari BenchLM menunjukkan DeepSeek V4 Flash High unggul pada kategori coding dengan skor rata-rata 72,2, dibanding GPT-5.5 di 58,6. Namun, di sumber yang sama, GPT-5.5 unggul pada agentic tasks dengan skor rata-rata 81,8, dibanding DeepSeek V4 Flash High di 55,4 [13].

VentureBeat memberi sudut lain karena model yang dibandingkan adalah DeepSeek-V4-Pro-Max. Dalam tabel tersebut, GPT-5.5 mencatat skor lebih tinggi daripada DeepSeek-V4-Pro-Max pada GPQA Diamond, Humanity’s Last Exam, Terminal-Bench 2.0, dan SWE-Bench Pro / SWE Pro [16].

Artinya, angka-angka ini tidak boleh dicampur menjadi satu klasemen final. Kesimpulan praktisnya: untuk pipeline coding berbiaya rendah dan volume besar, DeepSeek V4 Flash High layak masuk daftar uji awal; untuk agentic workflow, tugas terminal, dan benchmark software engineering yang lebih kompleks, GPT-5.5 punya lebih banyak dukungan angka publik saat ini [13][16].

Nama versi DeepSeek V4 bisa mengubah kesimpulan

DeepSeek V4 bukan satu konfigurasi tunggal. DataCamp menggambarkan DeepSeek V4 sebagai dua preview models, yaitu V4-Pro dan V4-Flash, serta menyebut V4-Pro memiliki context window 1 juta token dan total 1,6 triliun parameter [5]. Namun, halaman pembanding pihak ketiga memakai nama yang lebih beragam, termasuk DeepSeek V4 Flash High, DeepSeek-V4-Pro-Max, dan DeepSeek V4 Pro Reasoning, Max Effort [4][13][16].

Ini penting. Skor coding DeepSeek V4 Flash High tidak otomatis mewakili V4-Pro-Max. Sebaliknya, skor Terminal-Bench 2.0 DeepSeek-V4-Pro-Max di VentureBeat juga tidak otomatis membatalkan hasil coding Flash High di BenchLM [13][16].

SumberVersi yang dibandingkanInformasi paling bergunaCatatan penting
BenchLMDeepSeek V4 Flash High vs GPT-5.5DeepSeek V4 Flash High unggul di rata-rata coding; GPT-5.5 unggul di agentic tasks [13]Tidak bisa langsung digeneralisasi ke V4-Pro-Max
VentureBeatDeepSeek-V4-Pro-Max vs GPT-5.5GPT-5.5 lebih tinggi pada GPQA Diamond, Humanity’s Last Exam, Terminal-Bench 2.0, dan SWE-Bench Pro / SWE Pro [16]Lawannya bukan Flash High
Artificial AnalysisDeepSeek V4 Pro Reasoning, Max Effort vs GPT-5.5 xhighContext window DeepSeek tercatat 1000k token, GPT-5.5 xhigh 922k token; GPT-5.5 xhigh mendukung image input, sedangkan konfigurasi DeepSeek itu tidak [4]Perbandingan fitur tidak sama dengan kemenangan di semua benchmark
DataCampDeepSeek V4-Pro dan V4-FlashV4-Pro disebut memiliki context window 1 juta token dan 1,6 triliun total parameter [5]Tidak semua pengujian pihak ketiga memakai nama atau setting yang sama

Angka benchmark yang tersedia

Area ujiGPT-5.5DeepSeek V4 versi dan skorCara membacanya
Rata-rata coding58,6DeepSeek V4 Flash High: 72,2Dalam perbandingan coding BenchLM, DeepSeek V4 Flash High unggul [13]
Rata-rata agentic tasks81,8DeepSeek V4 Flash High: 55,4Dalam perbandingan agentic tasks BenchLM, GPT-5.5 unggul [13]
GPQA Diamond93,6%DeepSeek-V4-Pro-Max: 90,1%Dalam tabel VentureBeat, GPT-5.5 lebih tinggi [16]
Humanity’s Last Exam, no tools41,4%DeepSeek-V4-Pro-Max: 37,7%Dalam tabel VentureBeat, GPT-5.5 lebih tinggi [16]
Humanity’s Last Exam, with tools52,2%DeepSeek-V4-Pro-Max: 48,2%Dalam tabel VentureBeat, GPT-5.5 lebih tinggi [16]
Terminal-Bench 2.082,7%DeepSeek-V4-Pro-Max: 67,9%VentureBeat menunjukkan GPT-5.5 unggul; tetapi BenchLM menyebut Terminal-Bench 2.0 sebagai subtes yang paling memperlebar jarak untuk DeepSeek V4 Flash High di kategori coding, sehingga versi dan metode uji sangat menentukan [13][16]
SWE-Bench Pro / SWE Pro58,6%DeepSeek-V4-Pro-Max: 55,4%Dalam tabel VentureBeat, GPT-5.5 unggul tipis [16]
SWE-bench Verified88,7%DeepSeek V4-Pro: 80,6%Panduan pihak ketiga O-mega mencatat GPT-5.5 unggul [14]

Poin utama dari tabel ini bukan merata-ratakan semua angka. Yang perlu dilihat adalah jenis tugasnya. BenchLM cenderung menguntungkan DeepSeek V4 Flash High untuk kategori coding; sumber yang sama menguntungkan GPT-5.5 untuk agentic tasks; sementara tabel VentureBeat untuk DeepSeek-V4-Pro-Max lebih condong ke GPT-5.5 pada beberapa benchmark reasoning, terminal, dan software engineering [13][16].

Coding: DeepSeek V4 Flash High kuat, tetapi bukan berarti unggul di semua uji engineering

Bukti publik paling kuat untuk DeepSeek V4 ada pada kategori coding BenchLM. Di sana, DeepSeek V4 Flash High mendapat skor rata-rata 72,2, sedangkan GPT-5.5 mendapat 58,6. BenchLM juga menyebut Terminal-Bench 2.0 sebagai subtes yang paling memperlebar jarak dalam kategori tersebut [13].

Namun, sumber lain menunjukkan gambaran yang berbeda. VentureBeat mencatat GPT-5.5 unggul atas DeepSeek-V4-Pro-Max pada Terminal-Bench 2.0, yaitu 82,7% vs 67,9%, dan pada SWE-Bench Pro / SWE Pro, yaitu 58,6% vs 55,4% [16]. Panduan pihak ketiga O-mega juga mencatat GPT-5.5 unggul pada SWE-bench Verified dengan 88,7% dibanding DeepSeek V4-Pro di 80,6% [14].

Jadi, keputusan praktisnya harus lebih rinci. Jika tugas internal Anda mirip kategori coding di BenchLM, DeepSeek V4 Flash High perlu diuji. Jika coding agent Anda harus menangani alur kerja yang lebih dekat dengan terminal, perbaikan repositori, atau proses software engineering end-to-end, GPT-5.5 saat ini punya dukungan angka publik dari VentureBeat dan O-mega [13][14][16].

Agentic tasks: bukti publik lebih terkonsentrasi ke GPT-5.5

Dalam perbandingan BenchLM yang sama, GPT-5.5 mendapat skor rata-rata 81,8 untuk agentic tasks, sedangkan DeepSeek V4 Flash High mendapat 55,4. BenchLM juga menyebut BrowseComp sebagai subtes yang paling memperlebar jarak [13].

Dokumentasi OpenAI API menyarankan pengguna memulai dengan gpt-5.5 untuk complex reasoning dan coding, sementara gpt-5.4-mini atau gpt-5.4-nano disarankan untuk beban kerja yang membutuhkan latensi lebih rendah dan biaya lebih rendah [24]. System card GPT-5.5 dari OpenAI juga menggambarkannya sebagai model untuk pekerjaan nyata yang kompleks, termasuk menulis kode, riset online, dan analisis informasi [30].

Posisi resmi vendor tentu bukan pengganti benchmark independen. Namun, arahnya selaras dengan hasil agentic tasks dari BenchLM: jika beban kerja Anda banyak melibatkan penalaran multi-langkah, pencarian informasi, penggunaan alat, atau evaluasi bergaya agentic benchmark, GPT-5.5 sebaiknya masuk daftar uji lebih awal [13][24][30].

Konteks panjang dan multimodal: jangan hanya melihat skor total

Jika hambatan utama ada pada panjang konteks, DeepSeek V4 Pro layak diuji terpisah. DataCamp menyebut V4-Pro memiliki context window 1 juta token, sementara Artificial Analysis mencatat DeepSeek V4 Pro Reasoning, Max Effort memiliki context window 1000k token, sedikit di atas GPT-5.5 xhigh yang tercatat 922k token [4][5].

Namun, fitur bukan hanya soal panjang konteks. Artificial Analysis juga mencatat GPT-5.5 xhigh mendukung image input, sedangkan konfigurasi DeepSeek V4 Pro Reasoning, Max Effort tidak mendukungnya [4]. Jika produk Anda perlu menganalisis dokumen panjang, gambar, atau kombinasi keduanya, uji fitur ini secara langsung. Jangan mengandalkan skor coding atau agentic rata-rata saja.

Harga: DeepSeek V4 Flash sangat murah, tetapi harga input V4 Pro perlu dicek ulang

Harga adalah salah satu argumen bisnis paling kuat untuk DeepSeek V4. TechCrunch dan Yahoo/Decrypt sama-sama melaporkan DeepSeek V4 Flash dengan harga US$0,14 per juta input token dan US$0,28 per juta output token [1][2]. Yahoo/Decrypt juga melaporkan harga GPT-5.5 sebesar US$5 per juta input token dan US$30 per juta output token, serta GPT-5.5 Pro sebesar US$30 per juta input token dan US$180 per juta output token [2].

Model / versiHarga input yang dilaporkanHarga output yang dilaporkanCatatan
DeepSeek V4 FlashUS$0,14 / 1 juta tokenUS$0,28 / 1 juta tokenAngka TechCrunch dan Yahoo/Decrypt konsisten [1][2]
DeepSeek V4 ProTechCrunch: US$0,145 / 1 juta token; Yahoo/Decrypt: US$1,74 / 1 juta tokenUS$3,48 / 1 juta tokenHarga input berbeda antar-sumber, harga output sama [1][2]
GPT-5.5US$5 / 1 juta tokenUS$30 / 1 juta tokenHarga dari laporan Yahoo/Decrypt [2]
GPT-5.5 ProUS$30 / 1 juta tokenUS$180 / 1 juta tokenHarga dari laporan Yahoo/Decrypt [2]

Untuk produk yang memproses token dalam jumlah besar setiap hari, selisih harga DeepSeek V4 Flash bisa sangat memengaruhi simulasi biaya [1][2]. Namun sebelum dipakai dalam keputusan produksi, ada dua hal yang perlu diverifikasi: pertama, harga input DeepSeek V4 Pro berbeda antara TechCrunch dan Yahoo/Decrypt; kedua, harga GPT-5.5 yang dapat dikutip di sini berasal dari laporan media, bukan dari potongan dokumentasi OpenAI API yang tersedia dalam sumber ini [1][2][24].

Cara memilih: uji berdasarkan skenario nyata

Uji GPT-5.5 lebih dulu jika fokus Anda adalah agentic workflow. BenchLM menunjukkan skor agentic tasks lebih kuat untuk GPT-5.5, dan dokumentasi OpenAI menempatkan gpt-5.5 sebagai titik awal untuk complex reasoning dan coding [13][24].

Uji GPT-5.5 lebih dulu jika tugas Anda dekat dengan terminal atau software engineering yang sulit. VentureBeat mencatat GPT-5.5 lebih tinggi pada Terminal-Bench 2.0 dan SWE-Bench Pro / SWE Pro dibanding DeepSeek-V4-Pro-Max; O-mega juga mencatat GPT-5.5 lebih tinggi pada SWE-bench Verified dibanding DeepSeek V4-Pro [14][16].

Uji DeepSeek V4 Flash High lebih dulu jika kebutuhan utama adalah coding throughput murah. BenchLM memberi dukungan kuat untuk DeepSeek V4 Flash High di kategori coding, dan harga DeepSeek V4 Flash yang dilaporkan jauh lebih rendah daripada harga GPT-5.5 yang dikutip media dalam sumber ini [1][2][13].

Masukkan DeepSeek V4 Pro ke daftar uji jika context window adalah bottleneck. DataCamp menyebut V4-Pro memiliki context window 1 juta token, dan Artificial Analysis mencatat DeepSeek V4 Pro Reasoning, Max Effort di 1000k token, sedikit lebih besar daripada GPT-5.5 xhigh di 922k token [4][5].

Batasan bukti: benchmark publik hanya membantu menentukan kandidat awal

Ada tiga batasan besar yang perlu diingat.

Pertama, nama versi DeepSeek V4 tidak seragam di berbagai sumber: V4-Flash, V4 Flash High, V4-Pro, V4-Pro-Max, dan V4 Pro Reasoning, Max Effort muncul dalam konteks perbandingan yang berbeda [4][5][13][16].

Kedua, arah hasil Terminal-Bench 2.0 tidak bisa digabung begitu saja. BenchLM menyebut Terminal-Bench 2.0 sebagai subtes yang paling memperlebar jarak bagi DeepSeek V4 Flash High dalam kategori coding, sementara VentureBeat mencatat GPT-5.5 lebih tinggi daripada DeepSeek-V4-Pro-Max pada Terminal-Bench 2.0 [13][16].

Ketiga, data harga tetap perlu dicek ulang, terutama harga input DeepSeek V4 Pro yang berbeda antara TechCrunch dan Yahoo/Decrypt [1][2].

Keputusan produksi yang paling aman adalah menjalankan A/B eval dengan prompt, data, tool calling, kebutuhan latensi, dan anggaran token Anda sendiri. Benchmark publik berguna untuk mempersempit kandidat, tetapi tidak seharusnya menggantikan evaluasi internal.

Kesimpulan

Berdasarkan data yang dapat dikutip saat ini, belum ada dasar kuat untuk mengatakan GPT-5.5 atau DeepSeek V4 menang mutlak. DeepSeek V4 Flash High unggul pada rata-rata coding di BenchLM, sedangkan GPT-5.5 unggul pada agentic tasks di sumber yang sama. Di sisi lain, perbandingan VentureBeat terhadap DeepSeek-V4-Pro-Max lebih banyak mengarah ke GPT-5.5 pada benchmark reasoning, terminal, dan software engineering [13][16].

Jika Anda sedang memilih model, kesimpulan paling praktis adalah: untuk agentic workflows, riset online, dan tugas berbasis terminal, uji GPT-5.5 lebih dulu; untuk pipeline coding berbiaya rendah dan volume besar, uji DeepSeek V4 Flash High lebih dulu; untuk kebutuhan konteks panjang, bandingkan DeepSeek V4 Pro dan GPT-5.5 xhigh secara terpisah dalam skenario nyata [1][2][4][13][16][24][30].

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 搜尋並查證事實

重點整理

  • Tidak ada bukti kuat bahwa GPT 5.5 atau DeepSeek V4 menang di semua sisi. BenchLM mencatat DeepSeek V4 Flash High unggul di coding dengan skor rata rata 72,2 vs 58,6, tetapi GPT 5.5 unggul di agentic tasks dengan 81,8...
  • VentureBeat membandingkan DeepSeek V4 Pro Max, bukan Flash High. Dalam tabel itu, GPT 5.5 lebih tinggi pada GPQA Diamond, Humanity’s Last Exam, Terminal Bench 2.0, dan SWE Bench Pro / SWE Pro [16].
  • Dari sisi harga, DeepSeek V4 Flash dilaporkan jauh lebih murah, yaitu US$0,14 per juta input token dan US$0,28 per juta output token, sementara harga GPT 5.5 yang dikutip media adalah US$5 input dan US$30 output per j...

大家也會問

「GPT-5.5 vs DeepSeek V4: mana yang lebih masuk akal dipakai?」的簡短答案是什麼？

Tidak ada bukti kuat bahwa GPT 5.5 atau DeepSeek V4 menang di semua sisi. BenchLM mencatat DeepSeek V4 Flash High unggul di coding dengan skor rata rata 72,2 vs 58,6, tetapi GPT 5.5 unggul di agentic tasks dengan 81,8...

最值得優先驗證的重點是什麼？

Tidak ada bukti kuat bahwa GPT 5.5 atau DeepSeek V4 menang di semua sisi. BenchLM mencatat DeepSeek V4 Flash High unggul di coding dengan skor rata rata 72,2 vs 58,6, tetapi GPT 5.5 unggul di agentic tasks dengan 81,8... VentureBeat membandingkan DeepSeek V4 Pro Max, bukan Flash High. Dalam tabel itu, GPT 5.5 lebih tinggi pada GPQA Diamond, Humanity’s Last Exam, Terminal Bench 2.0, dan SWE Bench Pro / SWE Pro [16].

接下來在實務上該怎麼做？

Dari sisi harga, DeepSeek V4 Flash dilaporkan jauh lebih murah, yaitu US$0,14 per juta input token dan US$0,28 per juta output token, sementara harga GPT 5.5 yang dikutip media adalah US$5 input dan US$30 output per j...

下一步適合探索哪個相關主題？

繼續閱讀「Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6 基準比較：2026 年誰最值得信？」，從另一個角度查看更多引用來源。

開啟相關頁面

我應該拿這個和什麼比較？

將這個答案與「DeepSeek V4 工程解析：1M 上下文、MoE 與 API 遷移重點」交叉比對。

開啟相關頁面

繼續深入研究

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 基準比較：2026 年誰最值得信？

Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6：2026 基準測試與決策結論

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 工程解析：1M 上下文、MoE 與 API 遷移重點

DeepSeek V4 工程解析：1M 上下文、MoE 與 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 彈性題解：為什麼是 larger; larger

Northwest 與 Southeast Timber：替代性越高，為什麼答案是 larger; 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 會擊敗 OpenAI、Claude、Gemini、Grok 嗎？關鍵不是榜單，而是成本與信任

DeepSeek 會擊敗 OpenAI、Claude、Gemini、Grok 嗎？關鍵不是榜單，而是成本與信任

研究對話

你

研究問題

研究並向我展示 GPT-5.5 與 DeepSeek V4 的基準測試比較。

Studio Global AI39 個來源

附引用的答案

現有證據只足以做「有限比較」：GPT-5.5 是 OpenAI API 文件中列出的模型，官方建議用於複雜推理與程式設計工作負載 [1]；DeepSeek V4 的直接基準證據主要來自第三方比較頁，顯示 DeepSeek V4 Flash High 在程式設計類平均分領先 GPT-5.5，而 GPT-5.5 在 agentic tasks 類別領先 [5]。由於缺少 DeepSeek 官方基準、完整分項分數與一致版本定義，整體結論應視為初步比較；Insufficient evidence.

Key findings

  • 程式設計基準：DeepSeek V4 Flash High 領先 GPT-5.5。 可用證據顯示，DeepSeek V4 Flash High 在 coding 類別平均分為 72.2，GPT-5.5 為 58.6；該比較指出 Terminal-Bench 2.0 是拉開差距最大的子測試 [5]。

  • Agentic tasks：GPT-5.5 領先 DeepSeek V4 Flash High。 同一第三方比較指出，GPT-5.5 在 agentic tasks 類別相對 DeepSeek V4 Flash High 佔優，但可用片段未提供具體分數 [5]。

  • 官方定位：GPT-5.5 被 OpenAI 推薦用於複雜推理與程式設計。 OpenAI API 模型文件寫明，複雜推理與 coding 可從 gpt-5.5 開始選用，而較低延遲、較低成本工作負載可選 gpt-5.4-mini 或 gpt-5.4-nano [1]。

  • 價格比較：DeepSeek V4 系列被多個報導描述為顯著更便宜。 可用證據稱 DeepSeek V4 Flash 的價格為每百萬輸入 token $0.14、每百萬輸出 token $0.28，且低於 GPT-5.4 Nano、Gemini 3.1 Flash、GPT-5.4 Mini 與 Claude Haiku 4.5 [4]。

  • GPT-5.5 價格資料來自媒體報導而非官方證據。 可用報導稱 GPT-5.5 價格為每百萬輸入 token $5、每百萬輸出 token $30，GPT-5.5 Pro 為每百萬輸入 token $30、每百萬輸出 token $180 [6]。

  • DeepSeek V4 Preview / Pro 的價格優勢說法不完全一致。 一項報導稱 DeepSeek V4 Preview 約比 GPT-5.5 便宜 85% [7]；另一項報導標題稱 DeepSeek V4 Pro 版本比 GPT-5.5 Pro 便宜 98% [6]。

Benchmark comparison

面向GPT-5.5DeepSeek V4目前可支持的結論
Coding 平均分58.672.2，版本為 DeepSeek V4 Flash HighDeepSeek V4 Flash High 在可用 coding 比較中領先 [5]
Terminal-Bench 2.0未提供具體分數未提供具體分數該子測試被描述為造成 coding 差距最大的 benchmark，但缺少分項分數 [5]
Agentic tasks領先落後於 GPT-5.5GPT-5.5 在 agentic tasks 類別佔優，但缺少具體分數 [5]
複雜推理 / coding 官方定位官方建議用於複雜推理與 coding缺少 DeepSeek 官方定位證據GPT-5.5 的官方定位較明確 [1]
價格 / 成本媒體報導稱 GPT-5.5 為 $5 input / $30 output 每百萬 token；Pro 為 $30 input / $180 output 每百萬 token報導稱 V4 Flash 為 $0.14 input / $0.28 output 每百萬 tokenDeepSeek V4 系列在可用報導中明顯更便宜，但價格證據不是完整官方對照 [4][6]

Evidence notes

  • 目前最直接的「基準測試」證據只有 DeepSeek V4 Flash High vs GPT-5.5 的第三方比較片段，且只明確給出 coding 類別平均分 72.2 vs 58.6 [5]。

  • GPT-5.5 的存在與官方用途定位有 OpenAI API 文件支持，因此這部分證據較強 [1]。

  • DeepSeek V4 的價格與相對成本優勢主要來自媒體報導與第三方文章，而不是 DeepSeek 官方價格表或完整 benchmark paper；因此價格比較可信度低於官方文件 [4][6][7][8]。

  • 可用資料混用了 DeepSeek V4、V4 Flash High、V4 Preview、V4 Pro 等名稱，這些可能不是同一模型或同一推理設定；因此不能把 V4 Flash High 的 coding 分數直接等同於所有 DeepSeek V4 版本的表現 [4][5][6][7][8]。

Limitations / uncertainty

  • Insufficient evidence. 可用證據沒有提供完整 benchmark 套件、測試方法、樣本數、溫度設定、工具使用設定、上下文長度、成本歸一化方式或統計顯著性 [5]。

  • Insufficient evidence. 可用證據沒有 DeepSeek 官方 benchmark、OpenAI 官方 GPT-5.5 benchmark 對照表，或獨立機構的完整可重現評測 [1][5]。

  • Insufficient evidence. 目前無法可靠比較數學、長上下文、知識問答、多模態、安全性、幻覺率、工具調用可靠性與延遲，因為可用證據未提供這些維度的完整數據 [1][5]。

Summary

  • 若只看目前可用的 coding benchmark 片段，DeepSeek V4 Flash High 以 72.2 對 58.6 領先 GPT-5.5 [5]。

  • 若看 agentic tasks，GPT-5.5 被第三方比較列為領先者，但缺少分數細節 [5]。

  • 若看官方用途定位，GPT-5.5 有較清楚的官方支持，OpenAI 建議其用於複雜推理與 coding [1]。

  • 若看價格，DeepSeek V4 系列在可用報導中顯著更便宜，但相關價格多來自媒體與第三方來源，不足以構成完整官方成本比較 [4][6][7]。

來源

  • [1] DeepSeek previews new AI model that 'closes the gap' with frontier ...techcrunch.com

    San Francisco, CA October 13-15, 2026 REGISTER NOW Notably, DeepSeek V4 is much more affordable than any frontier model available today. The smaller V4 Flash model costs $0.14 per million input tokens and $0.28 per million output tokens, undercutting GPT-5....

  • [2] DeepSeek V4 Is Here—Its Pro Version Costs 98% Less Than GPT 5.5 Protech.yahoo.com

    And this ended up with Deepseek being able to offer a much cheaper price per token than its competitors, while providing comparable results. To put that in dollar terms: GPT-5.5 launched yesterday at $5 input and $30 output per million tokens with GPT-5.5 P...

  • [4] DeepSeek V4 Pro (Reasoning, Max Effort) vs GPT-5.5 (xhigh)artificialanalysis.ai

    Model Comparison Metric DeepSeek logoDeepSeek V4 Pro (Reasoning, Max Effort) OpenAI logoGPT-5.5 (xhigh) Analysis --- --- Creator DeepSeek OpenAI Context Window 1000k tokens ( 1500 A4 pages of size 12 Arial font) 922k tokens ( 1383 A4 pages of size 12 Arial...

  • [5] DeepSeek V4: Features, Benchmarks, and Comparisons - DataCampdatacamp.com

    DeepSeek V4: Features, Benchmarks, and Comparisons Discover DeepSeek V4 features, pricing, and 1M context efficiency. We compare V4 Pro and Flash benchmarks against frontier models like GPT-5.5 and Opus 4.7. Apr 23, 2026 · 7 min read After months of rumors...

  • [13] DeepSeek V4 Flash (High) vs GPT-5.5: AI Benchmark Comparison 2026 | BenchLM.aibenchlm.ai

    DeepSeek V4 Flash (High) has the edge for coding in this comparison, averaging 72.2 versus 58.6. Inside this category, Terminal-Bench 2.0 is the benchmark that creates the most daylight between them. Which is better for agentic tasks, DeepSeek V4 Flash (Hig...

  • [14] DeepSeek V4 Preview: The Complete 2026 Guide - o-mega | AIo-mega.ai

    6. Head-to-Head: DeepSeek V4 vs GPT-5.5 The comparison between DeepSeek V4-Pro and GPT-5.5 is the headline matchup, and the nuances matter more than the top-line numbers suggest. GPT-5.5 holds clear advantages in certain areas, DeepSeek V4-Pro leads in othe...

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

    On Terminal-Bench 2.0, DeepSeek scores 67.9%, close to Claude Opus 4.7’s 69.4%, but far behind GPT-5.5’s 82.7%. --- --- --- Benchmark DeepSeek-V4-Pro-Max GPT-5.5 GPT-5.5 Pro, where shown Claude Opus 4.7 Best result among these GPQA Diamond 90.1% 93.6% — 94....

  • [24] Models | OpenAI APIdevelopers.openai.com

    Start with gpt-5.5 for complex reasoning and coding, or choose gpt-5.4-mini and gpt-5.4-nano for lower-latency, lower-cost workloads. View all. Compare models. 4 hours ago

  • [30] GPT-5.5 System Card - OpenAIopenai.com

    GPT‑5.5 is a new model designed for complex, real-world work, including writing code, researching online, analyzing information, ... 2 days ago