studioglobal
熱門探索內容
報告已發布13 個來源

GPT-5.5 против Claude Opus 4.7, Kimi K2.6 и DeepSeek V4-Pro: что реально показывают бенчмарки

Единого честного рейтинга пока нет: числа собраны из разных источников и при разных условиях. Для задач со скриншотами, document understanding и computer use сильнее всего подтверждён Claude Opus 4.7: Anthropic говорит о приросте в vision heavy workflow, координатах 1:1 с пикселями и приводит результат XBOW 98...

使用 Studio Global AI 搜尋並查證事實探索更多內容
17K0
四款 AI 模型的基準測試比較示意圖，包含 GPT-5.5、Claude Opus 4.7、Kimi K2.6 與 DeepSeek V4
GPT-5.5、Claude Opus 4.7、Kimi K2.6、DeepSeek V4 基準測試比較AI 生成示意圖：本文比較 GPT-5.5、Claude Opus 4.7、Kimi K2.6 與 DeepSeek V4-Pro 在公開基準測試中的表現。
AI 提示詞

Create a landscape editorial hero image for this Studio Global article: GPT-5.5、Claude Opus 4.7、Kimi K2.6、DeepSeek V4 基準測試比較. Article summary: 目前不能公平選出單一總冠軍；四款模型缺少同一評測 harness、同一工具設定下的完整共同分數。可引用資料中，GPT 5.5 以 82.7% 領先 Terminal Bench 2.0，Claude Opus 4.7 以 64.3% 暫居 SWE Bench Pro 第一，但 Claude 數字來自次級整理引用 AWS。[27][4]. Topic tags: ai, llm, benchmarks, openai, anthropic. Reference image context from search candidates: Reference image 1: visual subject "OpenAI’s GPT-5.5, Anthropic’s Claude Opus 4.7, and DeepSeek V4 arrived close enough together to look like a clean three-way race. **GPT-5.5 is OpenAI’s bet on execution-heavy profe" source context "GPT-5.5, Claude Opus 4.7, and DeepSeek V4 reveal three different ..." Reference image 2: visual subject "GPT-5.5, Claude Opus 4.7, and DeepSeek V4 reveal three different futures for AI" source context "GPT-5.5, Claude Opus 4.7, and DeepSeek V4 reveal thr

openai.com

Сравнивать GPT-5.5, Claude Opus 4.7, Kimi K2.6 и DeepSeek V4-Pro как обычную турнирную таблицу — плохая идея. Главная ловушка здесь в том, что цифры взяты из разных источников, с разными правами на инструменты, разными настройками reasoning effort и, местами, разными названиями одного и того же семейства тестов. Практичнее смотреть не на вопрос кто умнее вообще, а на задачу: для Terminal/CLI workflow первым кандидатом выглядит GPT-5.5; для SWE-Bench, визуальных задач и computer-use — Claude Opus 4.7; для knowledge/math и открытой модели — DeepSeek V4-Pro; для agentic multimodal workflow в Cloudflare Workers AI — Kimi K2.6.[27][4][1][5][64][36]

Снимок бенчмарков: какие цифры можно цитировать

В таблицу ниже включены только числа, которые есть в предоставленных источниках. Прочерк означает не отсутствие способности, а отсутствие сопоставимой цитируемой цифры в этой подборке. Важно: это не единый leaderboard. Часть данных идёт из официальных страниц и карточек моделей, часть — из вторичных публикаций.

Тест или задачаGPT-5.5Claude Opus 4.7Kimi K2.6DeepSeek V4-ProПрактический вывод
Terminal-Bench 2.082,7% [27]69,4% [4]66,7 [84]67,9 [64]Среди доступных цифр GPT-5.5 заметно сильнее всего выглядит для command-line workflow.
SWE-Bench Pro58,6% [27]64,3% [4]58,6 [84]55,4 [64]Claude лидирует по доступным числам, но показатель взят из вторичного обзора со ссылкой на AWS.
SWE-Bench Verified / Resolved—87,6% [4]80,2 [45]80,6 [64]Claude выше, но для GPT-5.5 нет сопоставимой строки, а названия Verified/Resolved в источниках различаются.
Graphwalks 256k: BFS / parents73,7 / 90,1 [21]76,9 / 93,6 [21]——В таблице OpenAI по двум строкам 256k Claude Opus 4.7 выше GPT-5.5.
Graphwalks 1M: BFS / parents45,4 / 58,5 [21]———Эти числа показывают длинный контекст GPT-5.5; сравнивать их с Opus 4.7 нельзя, потому что в 1M-строках у OpenAI указан Opus 4.6, а не 4.7.[21]
Knowledge и math———GPQA Diamond 90,1; GSM8K 92,6; MMLU-Pro 87,5; HLE 37,7 [64]У DeepSeek V4-Pro самая полная карточка с открытыми knowledge/math показателями.
Vision, screenshot, computer use—vision-heavy gains; координаты 1:1 с пикселями; XBOW visual-acuity 98,5% [1][5]Cloudflare описывает модель как native multimodal agentic model, но без сопоставимого vision-бенчмарка [36]—Самые жёсткие публичные доказательства по vision и UI-операциям сейчас у Claude Opus 4.7.

Почему общий рейтинг был бы misleading

Во-первых, уровни источников разные. Цифры GPT-5.5 по Terminal-Bench 2.0 и SWE-Bench Pro опубликованы в медиа со ссылкой на benchmark results, предоставленные OpenAI; показатели Claude Opus 4.7 по SWE-Bench Pro, SWE-Bench Verified и Terminal-Bench 2.0 взяты из вторичного обзора, который ссылается на AWS; часть чисел Kimi K2.6 и DeepSeek V4-Pro находится в карточках моделей на Hugging Face.[27][4][84][64]

Во-вторых, права на инструменты меняют картину. Mashable приводит пример HLE: без инструментов Claude Opus 4.7 набирает 46,9%, а GPT-5.4 Pro — 42,7%; с инструментами GPT-5.4 Pro выходит на 58,7%, а Claude Opus 4.7 — на 54,7%. Это не результат GPT-5.5, но хороший сигнал: with tools и without tools нельзя смешивать в одной таблице как будто это один и тот же тест.[6]

В-третьих, важны версия и режим вычислений. DeepSeek V4 выходит как V4-Pro и V4-Flash; Yahoo Finance передаёт заявление DeepSeek, что V4-Flash — более эффективный и экономичный вариант, тогда как подробные числа в этой статье относятся главным образом к DeepSeek-V4-Pro.[57][64] Artificial Analysis отдельно рассматривает варианты GPT-5.5 по effort и пишет, что GPT-5.5 xhigh в их Index примерно на 20% дороже предшественника, но на 30% дешевле Claude Opus 4.7 max.[24]

GPT-5.5: сильный кандидат для Terminal workflow и длинного контекста

Самое ясное преимущество GPT-5.5 в этой подборке — Terminal-Bench 2.0. Yahoo Finance / Investing.com сообщают, что по данным OpenAI модель набрала 82,7% в Terminal-Bench 2.0, тесте для command-line workflows; там же указано 58,6% в SWE-Bench Pro, который оценивает решение GitHub issues.[27]

У OpenAI есть и более детальная таблица по длинному контексту. В Graphwalks BFS GPT-5.5 получает 73,7 на 256k и 45,4 на 1M, а в Graphwalks parents — 90,1 на 256k и 58,5 на 1M. В той же таблице GPT-5.4 на Graphwalks BFS 1M имеет 9,4, тогда как GPT-5.5 — 45,4.[21]

Из сторонних оценок стоит отметить Artificial Analysis: издание называет GPT-5.5 новым leading AI model, пишет, что OpenAI лидирует в пяти headline evaluations и уступает Gemini 3.1 Pro Preview в трёх, а также указывает, что GPT-5.5 xhigh использует примерно на 40% меньше output tokens для их Index, чем предшественник.[24]

Когда тестировать первым: CLI automation, terminal agents, длинноконтекстный поиск и agentic coding workflow, где важны не только ответы, но и стоимость output tokens.[27][21][24]

Claude Opus 4.7: сильные coding-цифры и лучшая доказательная база по vision/computer-use

Официальная документация Anthropic наиболее прямо говорит о визуальных и UI-сценариях. В ней сказано, что изменение должно дать прирост в vision-heavy workloads, особенно для computer use, screenshot, artifact и document understanding workflows; координаты модели теперь соответствуют реальным пикселям 1:1, поэтому не нужен отдельный пересчёт scale factor.[1]

На launch page Anthropic приводит результат XBOW по visual-acuity benchmark: Claude Opus 4.7 — 98,5% против 54,5% у Opus 4.6.[5] Поэтому для screenshot understanding, document layout, desktop UI automation и computer-use agents у Claude Opus 4.7 сейчас более прямые публичные аргументы, чем у остальных трёх моделей.[1][5]

По coding-бенчмаркам вторичный обзор сообщает, что AWS указывает для Claude Opus 4.7 64,3% в SWE-Bench Pro, 87,6% в SWE-Bench Verified и 69,4% в Terminal-Bench 2.0.[4] Эти числа ставят Claude выше в доступном сравнении SWE-Bench Pro и Verified/Resolved, но перед production-выбором их всё равно стоит проверять на собственных репозиториях.

Есть и практическое предупреждение: Anthropic пишет, что high-res images используют больше tokens; если повышенная детализация не нужна, изображения лучше уменьшать перед отправкой в Claude, чтобы не раздувать token usage.[1]

Когда тестировать первым: исправление GitHub issues, coding agents, анализ скриншотов и документов, computer-use agents и задачи, где важны точные пиксельные координаты UI.[1][4][5]

Kimi K2.6: кандидат для agentic multimodal workflow в Workers AI

Cloudflare сообщает, что Moonshot AI Kimi K2.6 доступна в Workers AI с 20 апреля 2026 года, model ID — @cf/moonshotai/kimi-k2.6; Cloudflare называет это Day 0 support в партнёрстве с Moonshot AI.[36]

В том же changelog Kimi K2.6 описывается как native multimodal agentic model для long-horizon coding, coding-driven design, proactive autonomous execution и swarm-based task orchestration. Cloudflare также указывает архитектуру Mixture-of-Experts: 1T total parameters и 32B active parameters per token.[36]

По публичным числам карточка Kimi K2.6 на Hugging Face даёт Terminal-Bench 2.0 — 66,7, SWE-Bench Pro — 58,6 и SWE-Bench Multilingual — 76,7.[84] MarkTechPost отдельно пишет о 80,2 на SWE-Bench Verified.[45]

Когда тестировать первым: если инфраструктура уже завязана на Cloudflare Workers AI или нужны long-horizon coding, coding-driven design, multimodal agent workflow и orchestration нескольких агентов.[36][84]

DeepSeek V4-Pro: самая полная карточка по knowledge/math и понятная открытая стратегия

В источниках DeepSeek V4 фигурирует в двух вариантах: V4-Pro и V4-Flash. Yahoo Finance передаёт заявление DeepSeek, что V4-Pro заметно опережает другие open-source models на world knowledge benchmarks и лишь немного уступает топовой закрытой Gemini-Pro-3.1; V4-Flash описан как более эффективный и экономичный вариант.[57]

Карточка DeepSeek-V4-Pro на Hugging Face даёт наиболее полную подборку чисел в этой статье: 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 пишет, что DeepSeek V4 оптимизирован для agent tools вроде Claude Code и OpenClaw; аналитик Counterpoint Wei Sun считает, что benchmark profile V4 указывает на возможность получить сильные agent capabilities при существенно более низкой стоимости.[58]

Когда тестировать первым: если важны open-source route, knowledge/math benchmarks, стоимость agent tooling или возможность оценивать скачиваемую модель в локальной либо self-hosted среде.[58][64]

Выбор по задаче: короткий шорт-лист

  • Terminal automation и command-line agents: сначала тестируйте GPT-5.5. В доступных данных Terminal-Bench 2.0 у GPT-5.5 — 82,7%, выше Claude Opus 4.7 с 69,4%, DeepSeek V4-Pro с 67,9 и Kimi K2.6 с 66,7.[27][4][64][84]
  • Software engineering repair и задачи в стиле SWE-Bench Pro: начните с Claude Opus 4.7, но обязательно прогоните свои репозитории. В доступных цифрах Claude Opus 4.7 получает 64,3%, GPT-5.5 и Kimi K2.6 — по 58,6, DeepSeek V4-Pro — 55,4; при этом число Claude взято из менее прямого источника.[4][27][84][64]
  • Screenshot, document understanding и computer use: приоритет у Claude Opus 4.7. У Anthropic есть прямые утверждения про vision-heavy workflows, computer use и координаты 1:1, плюс приведённый результат XBOW 98,5% на visual-acuity benchmark.[1][5]
  • Knowledge/math и открытая модельная линия: добавьте DeepSeek V4-Pro в шорт-лист. Его карточка Hugging Face одновременно содержит GPQA Diamond, GSM8K, HLE, MMLU-Pro, SWE-Bench и TerminalBench 2.0.[64]
  • Multimodal agentic workflow в Workers AI: Kimi K2.6 стоит протестировать. Cloudflare уже даёт Day 0 support в Workers AI и позиционирует модель для long-horizon coding и swarm-based task orchestration.[36]

Перед внедрением: прогоните всё в одинаковых условиях

Чтобы вывод можно было защищать внутри команды, сравнение нужно повторять на одной версии модели или одном API model ID, с одинаковой длиной контекста, одинаковыми правами на инструменты, одинаковым reasoning effort, temperature, token budget и scoring harness. Особенно нельзя смешивать режимы с инструментами и без инструментов: пример HLE показывает, что это может менять относительный порядок моделей.[6]

Стоимость тоже нужно измерять вместе с качеством. Artificial Analysis пишет, что GPT-5.5 xhigh примерно на 20% дороже предшественника в их Index, но на 30% дешевле Claude Opus 4.7 max, а output tokens у GPT-5.5 xhigh примерно на 40% меньше, чем у предшественника.[24] Anthropic, в свою очередь, предупреждает, что high-resolution images увеличивают token usage.[1] Для production-агента скорость, расход токенов, успешность tool calls и доля исправленных ошибок часто важны не меньше, чем один красивый benchmark score.

Итог

Сейчас самый честный вывод — не общий победитель, а карта выбора. Для Terminal-Bench и CLI-сценариев первым кандидатом выглядит GPT-5.5; для SWE-Bench, vision и computer-use — Claude Opus 4.7; для knowledge/math и открытого развертывания — DeepSeek V4-Pro; для multimodal agentic coding в Cloudflare Workers AI — Kimi K2.6.[27][4][1][5][64][36] Настоящий общий рейтинг появится только тогда, когда все четыре модели будут прогнаны в одном harness, с одинаковыми tool permissions, версиями и настройками effort.

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

  • Единого честного рейтинга пока нет: числа собраны из разных источников и при разных условиях.
  • Для задач со скриншотами, document understanding и computer use сильнее всего подтверждён Claude Opus 4.7: Anthropic говорит о приросте в vision heavy workflow, координатах 1:1 с пикселями и приводит результат XBOW 98...
  • DeepSeek V4 Pro имеет самую полную открытую карточку с числами по GPQA, GSM8K, MMLU Pro, HLE, SWE Bench и TerminalBench; Kimi K2.6 заметен как native multimodal agentic model, доступный в Cloudflare Workers AI.[64][36]

大家也會問

「GPT-5.5 против Claude Opus 4.7, Kimi K2.6 и DeepSeek V4-Pro: что реально показывают бенчмарки」的簡短答案是什麼？

Единого честного рейтинга пока нет: числа собраны из разных источников и при разных условиях.

最值得優先驗證的重點是什麼？

Единого честного рейтинга пока нет: числа собраны из разных источников и при разных условиях. Для задач со скриншотами, document understanding и computer use сильнее всего подтверждён Claude Opus 4.7: Anthropic говорит о приросте в vision heavy workflow, координатах 1:1 с пикселями и приводит результат XBOW 98...

接下來在實務上該怎麼做？

DeepSeek V4 Pro имеет самую полную открытую карточку с числами по GPQA, GSM8K, MMLU Pro, HLE, SWE Bench и TerminalBench; Kimi K2.6 заметен как native multimodal agentic model, доступный в Cloudflare Workers AI.[64][36]

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 GPT-5.5、Claude Opus 4.7、Kimi K2.6、DeepSeek V4 的基準測試表現，並根據這些基準測試對它們進行比較。

Studio Global AI40 個來源

附引用的答案

僅依據你提供的證據，現在還不能對 GPT-5.5、Claude Opus 4.7、Kimi K2.6、DeepSeek V4 做出嚴格而公平的基準測試總排名，因為這些材料沒有提供同一套 benchmark、同一版本設定下的完整分數，而且完全沒有 GPT-5.5 的 benchmark 資料。較能成立的結論是：Claude Opus 4.7 有最明確的官方證據顯示其在視覺與 computer-use 類工作流上提升明顯，[2] 且有次級報導稱其狹義重回 generally available LLM 的領先位置。[5] DeepSeek V4-Pro 則有公司說法經媒體轉述，稱其在 world knowledge benchmarks 上明顯領先其他開源模型，[6] 而 Kimi K2.6 在現有證據中只有產品定位與上線資訊，缺少可直接比較的 benchmark 成績。[1]

Key findings

  • 無法產生可信的四模型總排名：你提供的材料沒有共享 benchmark 分數，且缺少 GPT-5.5 的任何 benchmark 證據。

  • Claude Opus 4.7 的強項證據最集中在視覺與 computer-use 工作流。Anthropic 官方文件說明它對 vision-heavy workloads 有 performance gains，特別影響 computer use、screenshot、artifact 與 document understanding workflows，且將座標映射到影像也更簡單。[2] VentureBeat 另稱其解析度提升到前代的 3 倍，並在標題中將其描述為狹義重回 generally available LLM 領先。[5]

  • DeepSeek V4-Pro 的 benchmark 相關競爭性敘述最明確，但主要來自公司說法經媒體轉述。報導稱它在 world knowledge benchmarks 上明顯領先其他開源模型，且只略遜於頂級閉源模型；另有分析師根據其 benchmark profile 認為它可能以更低成本提供很強的 agent 能力。[6][7]

  • Kimi K2.6 目前只能確認是 Moonshot AI 的原生多模態 agentic model，並於 2026-04-20 在 Workers AI 上得到 Day 0 支援；你提供的證據沒有其可比 benchmark 分數。[1]

Confirmed facts

  • Kimi K2.6 已於 2026-04-20 在 Workers AI 上可用，Cloudflare 表示這是與 Moonshot AI 合作的 Day 0 支援；該模型被描述為 native multimodal agentic model。[1]

  • Anthropic 官方文件表示 Claude Opus 4.7 的變更會帶來 vision-heavy workloads 的 performance gains，且特別有助於 computer use、screenshot、artifact、document understanding workflows；將座標映射到影像也變得更簡單。[2]

  • VentureBeat 報導稱 Claude Opus 4.7 帶來相較前代 3 倍的解析度提升，並在標題中將其描述為狹義重回「most powerful generally available LLM」。[5]

  • 媒體報導稱 DeepSeek 提供 DeepSeek V4-Pro 與 DeepSeek V4-Flash 兩個版本；其中 V4-Pro 被描述為在 world knowledge benchmarks 上明顯領先其他開源模型，且僅略遜於頂級閉源模型。[6]

  • CNBC 報導稱 DeepSeek V4 已針對 Claude Code 與 OpenClaw 之類 agent 工具做最佳化；Counterpoint 的 Wei Sun 則認為其 benchmark profile 顯示它可能以更低成本提供優秀 agent 能力。[7]

  • Hugging Face 上存在一則要求補充 DeepSeek-V4-Pro 在 GPQA、GSM8K、HLE、MMLU-Pro、SWE-Bench Pro、SWE-Bench Verified、Terminal-Bench 2.0 等項目社群評測結果的討論。[4]

What remains inference

  • 把 Claude Opus 4.7 判定為四者整體第一，仍屬推論；現有證據沒有同一組 benchmark 的分數表可直接支持這個結論。[2][5]

  • 把 DeepSeek V4-Pro 判定為所有開源任務全面第一，也仍屬推論；目前可見的是媒體轉述的公司說法，缺少你提供證據中的原始分數表。[6]

  • 把 Kimi K2.6 放在任何明確名次，幾乎純屬猜測；目前只知道它的產品定位，沒有硬 benchmark 成績。[1]

  • 對 GPT-5.5 作任何 benchmark 結論都沒有證據基礎，因為提供材料裡沒有它的 benchmark 資料。

What the evidence suggests

  • 若只看視覺與 computer-use 類任務，Claude Opus 4.7 的證據最強，因為這是唯一在官方文件中明確聲稱該類工作流有性能提升的模型，且次級報導補充了解析度提升細節。[2][5]

  • 若只看現有材料中最明確的 benchmark 競爭描述，DeepSeek V4-Pro 在 world knowledge benchmarks 的定位最突出，因為它是唯一被直接描述為明顯領先其他開源模型的模型。[6]

  • 若看 agent tooling 與成本效益敘事，DeepSeek V4 也有較清楚的外部分析支持，因為報導提到它針對 Claude Code、OpenClaw 做了最佳化，且分析師從其 benchmark profile 推論出較強的 agent 能力/成本比。[7]

  • Kimi K2.6 看起來是以多模態與 agentic 能力為賣點，但在這組證據裡沒有足夠 benchmark 資料把它與 Claude 或 DeepSeek 做定量比較。[1]

  • 整體四模型排序：Insufficient evidence。

Conflicting evidence or uncertainty

  • 最大的不確定性不是「誰贏」，而是「有沒有可比數據」：目前沒有看到四個模型在同一 benchmark、同一版本、同一提示或工具設定下的分數。

  • Claude 的「領先」敘事主要來自次級報導的綜述與標題，而不是你提供證據中的原始官方 benchmark 表。[5]

  • DeepSeek 的最強 benchmark 主張來自公司說法經媒體轉述，因此可信度低於官方技術報告或第三方獨立評測。[6]

  • Kimi K2.6 的 benchmark 能力在這組證據裡幾乎空白，所以不能因產品描述或上線速度而推斷其分數。[1]

  • Reddit 上有人提醒 SWE-bench leaderboard 可能混用了不同版本與不同 benchmark 任務，這提示跨榜單比較可能失真；但這只是低權威來源，最多當弱提醒使用。[65]

Open questions

  • GPT-5.5 在 MMLU-Pro、GPQA、HLE、SWE-Bench Verified/Pro、Terminal-Bench 2.0、以及多模態 benchmark 上的成績是什麼？

  • Claude Opus 4.7、Kimi K2.6、DeepSeek V4 是否有同一版本 benchmark 表，且使用一致的工具權限、上下文長度、溫度與評分規則？

  • DeepSeek V4-Pro 所謂的 world knowledge benchmarks，具體是哪些測試、原始分數是多少、對照模型又是哪些？[6]

  • Kimi K2.6 是否已有第三方獨立 benchmark，而不只是上線與產品定位資訊？[1]

Sources worth trusting most

  • [2] 是 Anthropic 官方文件，對 Claude Opus 4.7 的產品級能力變更與適用工作流最可信。[2]

  • [1] 是 Cloudflare 官方 changelog，對 Kimi K2.6 的上線時間、可用性與產品定位最可信。[1]

  • [6] 與 [7] 是較可靠的媒體報導，適合用來了解 DeepSeek 的對外 benchmark 敘事與外部分析，但仍屬次級來源。[6][7]

  • [5] 可作為 Claude Opus 4.7 外界競爭定位的參考，但對硬 benchmark 來說仍弱於官方技術文件。[5]

  • [4] 只能證明社群正在補充 DeepSeek-V4-Pro 的評測結果，不能當成最終 benchmark 證據。[4]

  • [65] 權威性最低，只適合拿來提醒跨榜單比較可能有方法學問題。[65]

Recommended next step

  • 如果你要一個真正可 defend 的比較，下一步應該只蒐集四模型在共享 benchmark 上的原始分數表，優先看 MMLU-Pro、GPQA、HLE、SWE-Bench Verified/Pro、Terminal-Bench 2.0，以及多模態評測，並要求每個結果都標明是否允許 tools、browsing、test-time compute 與不同解碼設定。

  • 在目前這組證據下，最安全的暫時結論是：Claude Opus 4.7 在視覺/computer-use 能力的證據最強，[2][5] DeepSeek V4-Pro 在開源對比的 world knowledge benchmark 敘事最強，[6] Kimi K2.6 與 GPT-5.5 都不足以納入公平排名。[1]

Summary

基於目前證據，不能對 GPT-5.5、Claude Opus 4.7、Kimi K2.6、DeepSeek V4 做可靠的總體 benchmark 排名。較可靠的局部結論是：Claude Opus 4.7 在 vision/computer-use 類場景的正向證據最強，[2][5] DeepSeek V4-Pro 有最明確的開源 benchmark 領先聲稱，[6][7] Kimi K2.6 缺 benchmark 數據，[1] GPT-5.5 則完全沒有可用資料。若要嚴格比較，現階段最誠實的答案就是：Insufficient evidence。

來源

  • [1] What's new in Claude Opus 4.7 - Claude API Docsplatform.claude.com

    What's new in Claude Opus 4.7 - Claude API Docs Loading... . This change should unlock performance gains on vision-heavy workloads, and is particularly important for computer use and screenshot/artifact/document understanding workflows. Additionally, operat...

  • [4] Claude Opus 4.7: Pricing, Benchmarks & Context Windowalmcorp.com

    For coding, the official materials point to several standout numbers. Anthropic says Opus 4.7 improved resolution by 13% over Opus 4.6 on a 93-task coding benchmark. AWS cites 64.3% on SWE-bench Pro, 87.6% on SWE-bench Verified, and 69.4% on Terminal-Bench...

  • [5] Introducing Claude Opus 4.7anthropic.com

    Image 22: logo Claude Opus 4.7 feels like a real step up in intelligence. Code quality is noticeably improved, it’s cutting out the meaningless wrapper functions and fallback scaffolding that used to pile up, and fixes its own code as it goes. It’s the clea...

  • [6] Anthropic releases Claude Opus 4.7: How to try it, benchmarks, safetymashable.com

    Claude Mythos scored 56.8 percent on HLE Claude Opus 4.7 scored 46.9 percent Gemini 3.1 Pro scored 44.4 percent GPT-5-4 Pro scored 42.7 percent Claude Opus 4.6 scored 40.0 percent With tools, GPT-5-4-Pro scored 58.7 percent compared to Opus 4.7’s 54.7 perce...

  • [21] Introducing GPT-5.5openai.com

    Long context EvalGPT-5.5GPT‑5.4GPT-5.5 ProGPT‑5.4 ProClaudeOpus 4.7Gemini 3.1 Pro Graphwalks BFS 256k f1 73.7%62.5%--76.9%- Graphwalks BFS 1mil f1 45.4%9.4%--41.2% (Opus 4.6)- Graphwalks parents 256k f1 90.1%82.8%--93.6%- Graphwalks parents 1mil f1 58.5%44....

  • [24] OpenAI's GPT-5.5 is the new leading AI model - Artificial Analysisartificialanalysis.ai

    Image 2 OpenAI leads five of our headline evaluations and places second to Gemini 3.1 Pro Preview on three. Image 3 Effort variants provide a clear ladder to balance intelligence and cost. GPT-5.5 (xhigh) is 20% more expensive to run our Index than its pred...

  • [27] OpenAI releases GPT-5.5 with improved coding and research capabilitiesca.finance.yahoo.com

    © 2026 All rights reserved. About our ads Advertising Jobs Yahoo Finance Yahoo Finance Mail Sign in Investing.com OpenAI releases GPT-5.5 with improved coding and research capabilities Louis Juricic 1 min read Investing.com -- OpenAI announced Thursday the...

  • [36] Moonshot AI Kimi K2.6 now available on Workers AIdevelopers.cloudflare.com

    Image 2: hero image ← Back to all posts Moonshot AI Kimi K2.6 now available on Workers AI Apr 20, 2026 Workers AI @cf/moonshotai/kimi-k2.6 is now available on Workers AI, in partnership with Moonshot AI for Day 0 support. Kimi K2.6 is a native multimodal ag...

  • [45] Moonshot AI Releases Kimi K2.6 with Long-Horizon Coding, Agent ...marktechpost.com

    The Long-Horizon Coding Headline Numbers The metric that will likely get the most attention from dev teams is SWE-Bench Pro — a benchmark testing whether a model can resolve real-world GitHub issues in professional software repositories. Kimi K2.6 scores 58...

  • [57] China’s DeepSeek releases new AI model it claims beats all open-source competitorsau.finance.yahoo.com

    The model is available as DeepSeek V4-Pro and DeepSeek V4-Flash. The latter version, the company says, is a “more efficient and economical choice". “In world knowledge benchmarks, DeepSeek V4-Pro significantly leads other open-source models and is only slig...

  • [58] China's DeepSeek releases preview of long-awaited V4 model as AI ...cnbc.com

    DeepSeek also said that V4 has been optimized for use with popular agent tools such as Anthropic’s Claude Code and OpenClaw. According to Counterpoint’s principal AI analyst, Wei Sun, V4′s benchmark profile suggests it could offer “excellent agent capabilit...

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

    Evaluation results []( Diamond on Idavidrein/gpqaView evaluation resultsleaderboard 90.1 Gsm8k on openai/gsm8kView evaluation resultsleaderboard 92.6 Hle on cais/hleView evaluation results 37.7 Mmlu Pro on TIGER-Lab/MMLU-ProView evaluation results 87.5 SWE...

  • [84] moonshotai/Kimi-K2.6 - Hugging Facehuggingface.co

    3. Evaluation Results ; Terminal-Bench 2.0 (Terminus-2), 66.7, 65.4 ; SWE-Bench Pro, 58.6, 57.7 ; SWE-Bench Multilingual, 76.7, - ; SWE-Bench ... 5 days ago