studioglobal
인기 있는 발견
답변게시됨14 소스

GPT-5.5, Claude Opus 4.7, DeepSeek V4 และ Kimi K2.6: ผู้ชนะเปลี่ยนตามงาน

ยังไม่ควรยกให้โมเดลใดเป็นแชมป์รวมจากคะแนนสาธารณะชุดนี้: GPT 5.5 เด่นที่ Terminal Bench 2.0 ด้วย 82.7% ส่วน Claude Opus 4.7 เด่นที่ SWE Bench Pro 64.3% และ SWE Bench Verified 87.6% แต่ยังไม่มีการเทียบสี่โมเดลด้วยฮาร์เน... Kimi K2.6 มีตัวเลข SWE Bench Pro 58.6%, SWE Bench Verified 80.2% และ Terminal Bench 2.0 66.7% แต...

Studio Global AI로 검색 및 팩트체크Discover에서 더 많은 것을 찾아보세요
17K0
네 개의 AI 모델 벤치마크 점수를 비교하는 추상적인 대시보드 일러스트
GPT-5.5·Claude Opus 4.7·DeepSeek V4·Kimi K2.6 벤치마크 비교: 작업별 승자는 다르다AI 생성 이미지. 네 모델의 공개 벤치마크 비교를 상징적으로 표현했습니다.
AI 프롬프트

Create a landscape editorial hero image for this Studio Global article: GPT-5.5·Claude Opus 4.7·DeepSeek V4·Kimi K2.6 벤치마크 비교: 작업별 승자는 다르다. Article summary: 종합 1위는 보류가 맞습니다. 공개값 기준으로 GPT 5.5는 Terminal Bench 2.0 82.7%, Claude Opus 4.7은 SWE Bench Pro 64.3%·SWE Bench Verified 87.6%가 강하지만, 네 모델을 같은 하네스로 평가한 독립 비교는 부족합니다 [19][27][5].. Topic tags: ai, benchmarks, openai, chatgpt, anthropic. Reference image context from search candidates: Reference image 1: visual subject "[Sign in](https://medium.com/m/signin?operation=login&redirect=https%3A%2F%2Fmedium.com%2F%40cognidownunder%2Fclaude-opus-4-7-leads-on-code-gpt-5-5-wins-intelligence-and-kimi-k2-6-" source context "Claude Opus 4.7 Leads on Code, GPT 5.5 Wins Intelligence, and Kimi K2.6 Changes Everything" Reference image 2: visual subject "[Sign in](https://medium.com/m/signin?operation=login&redirect=https%3A%2F%2Fmedium.com%2F%40cognidownun

openai.com

ถ้าดูเฉพาะเบนช์มาร์กที่เปิดเผยต่อสาธารณะ คำตอบที่ตรงไปตรงมาคือ “ยังไม่มีผู้ชนะคนเดียวในทุกสนาม” GPT-5.5 และ Claude Opus 4.7 มีตัวเลขที่ถูกนำมาเทียบในตารางเดียวกันค่อนข้างมาก แต่ Kimi K2.6 มีทั้งคะแนนจากโมเดลการ์ดและตัวเลขจากฮาร์เนสเฉพาะ ส่วน DeepSeek V4 ยังไม่มีตัวเลขร่วมในเบนช์มาร์กโค้ดหลักหลายรายการมากพอในแหล่งข้อมูลชุดนี้ [1][2][5][6].

ดังนั้น วิธีอ่านที่เป็นประโยชน์กว่าคือไม่ถามว่า “โมเดลไหนเก่งสุด” แต่ถามว่า “งานของเราควรเริ่มทดลองกับโมเดลไหนก่อน”

สรุปเร็ว: งานแบบไหนควรลองโมเดลไหนก่อน

  • เอเจนต์โค้ดที่ทำงานผ่านเทอร์มินัล: เริ่มจาก GPT-5.5 ได้เลย OpenAI ระบุว่า GPT-5.5 ทำคะแนน Terminal-Bench 2.0 ได้ 82.7% ขณะที่ตารางเปรียบเทียบสาธารณะให้ Claude Opus 4.7 อยู่ที่ 69.4% และ Kimi K2.6 อยู่ที่ 66.7% [19][8][13][6].
  • แก้ issue จริงบน GitHub หรือซ่อมโค้ดแบบ SWE-Bench: Claude Opus 4.7 เป็นตัวเลือกแรกที่น่าทดสอบ เพราะมีรายงาน SWE-Bench Pro 64.3% และ SWE-Bench Verified 87.6% สูงกว่า SWE-Bench Pro 58.6% ของ GPT-5.5 [27][19].
  • คอนเท็กซ์ยาวพร้อมอินพุตหลายสื่อ: ควรใส่ Kimi K2.6 ไว้ใน shortlist เพราะมีการระบุว่ารองรับข้อความ รูปภาพ วิดีโอ และ route สำหรับ context 256k [7].
  • งานเรียก API ปริมาณมากที่ไวต่อต้นทุน: DeepSeek V4 โดดเด่นด้านราคา โดย Mashable ระบุราคาต่อ 1 ล้านโทเค็นไว้ที่ DeepSeek V4 อินพุต $1.74 และเอาต์พุต $3.48 เทียบกับ GPT-5.5 อินพุต $5 และเอาต์พุต $30 และ Claude Opus 4.7 อินพุต $5 และเอาต์พุต $25 [3].

ตารางเปรียบเทียบเบนช์มาร์กสำคัญ

เครื่องหมาย — หมายถึงในแหล่งข้อมูลสาธารณะที่ใช้ในบทความนี้ ยังไม่พบตัวเลขที่เทียบกันตรง ๆ ในเบนช์มาร์กเดียวกัน ไม่ได้แปลว่าโมเดลนั้นทำงานประเภทนั้นไม่ได้

เบนช์มาร์กGPT-5.5Claude Opus 4.7Kimi K2.6DeepSeek V4อ่านอย่างไร
Terminal-Bench 2.082.7% [19]69.4% [8][13]66.7% [6]—งานเทอร์มินัลและ command-line workflow ให้คะแนนสาธารณะของ GPT-5.5 สูงสุด
SWE-Bench Pro58.6% [19]64.3% [27]58.6% [1][6]—งานแก้โค้ดและ issue จริงฝั่ง GitHub มี Claude Opus 4.7 นำหน้า
SWE-Bench Verified—87.6% [27]80.2% [1][6]—ในแหล่งข้อมูลชุดนี้ มีคะแนนที่ยืนยันได้สำหรับ Claude Opus 4.7 และ Kimi K2.6
GPQA Diamond93.6% [8][13]94.2% [8][13]——GPT-5.5 กับ Claude Opus 4.7 ใกล้กันมาก โดยคะแนนสาธารณะของ Claude สูงกว่าเล็กน้อย
HLE with tools52.2% [8]54.7% [8][29]54.0% [6]—Claude และ Kimi มีตัวเลขสูงกว่า แต่คะแนน Kimi อาจอยู่คนละเงื่อนไขการเปรียบเทียบ [6].
BrowseComp84.4% [8][13]79.3% [8][13]——งานค้นเว็บหรือ browsing คะแนนสาธารณะของ GPT-5.5 นำหน้า
OSWorld-Verified78.7% [13]78.0% [13]——ส่วนต่างของ GPT-5.5 และ Claude Opus 4.7 ค่อนข้างเล็ก
MCP Atlas75.3% [13]79.1% [13]——งานเชื่อมต่อเครื่องมือแบบ MCP คะแนนของ Claude Opus 4.7 สูงกว่า

GPT-5.5: ตัวเลือกแข็งแรงสำหรับเอเจนต์ที่ต้องอยู่ในเทอร์มินัลนาน ๆ

OpenAI ระบุว่า GPT-5.5 ทำคะแนน Terminal-Bench 2.0 ได้ 82.7% และ SWE-Bench Pro ได้ 58.6% [19]. ตามคำอธิบายของ OpenAI, Terminal-Bench 2.0 ใช้วัด workflow ผ่าน command line ที่ซับซ้อน ต้องวางแผน ทำซ้ำ และประสานการใช้เครื่องมือ ส่วน SWE-Bench Pro วัดความสามารถในการแก้ issue จริงบน GitHub [19].

ถ้างานของคุณคือให้เอเจนต์รันสคริปต์ แก้ไฟล์ ทวน log สร้างไฟล์ใหม่ แก้ command ที่พลาด หรือไล่ปัญหาใน CI หลายรอบ คะแนน Terminal-Bench 2.0 ทำให้ GPT-5.5 เป็นโมเดลที่ควรลองก่อน อย่างไรก็ตาม ใน SWE-Bench Pro มีรายงานว่า Claude Opus 4.7 ได้ 64.3% สูงกว่า GPT-5.5 ที่ 58.6% จึงยังไม่ควรสรุปว่า GPT-5.5 เหนือกว่าในงานโค้ดทุกแบบ [19][27].

Claude Opus 4.7: เด่นในงานซ่อมโค้ดและตรวจงานแบบละเอียด

Claude Opus 4.7 มีรายงานคะแนน SWE-Bench Pro 64.3% และ SWE-Bench Verified 87.6% [27]. DataCamp ระบุว่า Opus 4.7 ถูกประเมินใน 14 เบนช์มาร์ก ครอบคลุม coding, reasoning, tool use, computer use และ visual reasoning [27].

เมื่อเทียบกับ GPT-5.5 ในตัวเลขร่วม Claude Opus 4.7 นำใน GPQA Diamond ที่ 94.2% ต่อ 93.6% และ MCP Atlas ที่ 79.1% ต่อ 75.3% [8][13]. แต่ใน Terminal-Bench 2.0 และ BrowseComp คะแนนสาธารณะของ GPT-5.5 สูงกว่า [8][13][19].

ภาพรวมจึงไม่ใช่ว่า Claude Opus 4.7 ชนะงานเอเจนต์ทุกประเภท แต่ถ้างานคือการแก้ issue จริง ซ่อมโค้ด ตรวจความสอดคล้อง หรือทำงานที่ต้องระวังรายละเอียดเชิงวิศวกรรม Claude Opus 4.7 เป็นโมเดลที่ควรถูกทดสอบตั้งแต่รอบแรก

Kimi K2.6: น่าสนใจเมื่ออินพุตยาวและมีหลายสื่อ แต่ต้องดูเงื่อนไขคะแนน

Kimi K2.6 ถูกระบุว่าทำคะแนน SWE-Bench Pro 58.6% และ SWE-Bench Verified 80.2% และในอีกคู่มือหนึ่งมีตัวเลข Terminal-Bench 2.0 66.7% กับ HLE with tools 54.0% [1][6]. อย่างไรก็ตาม คู่มือนั้นระบุว่าคะแนน K2.6 มาจากโมเดลการ์ดทางการของ Moonshot AI และสำหรับ SWE-Bench Pro มีหมายเหตุว่าเป็น Moonshot in-house harness [6].

เพราะฉะนั้น แม้ Kimi K2.6 กับ GPT-5.5 จะมีตัวเลข SWE-Bench Pro 58.6% เท่ากันบนกระดาษ ก็ยังไม่ควรสรุปว่าเป็นการเสมอกันภายใต้เงื่อนไขประเมินเดียวกันทุกประการ [1][6][19]. จุดที่ทำให้ Kimi K2.6 ควรถูกมองต่างออกไปคือมีการระบุว่ารองรับอินพุตข้อความ รูปภาพ วิดีโอ และ route สำหรับ context 256k ซึ่งเหมาะกับการทดลองในงานที่มีข้อมูลยาวหรือมีหลายรูปแบบสื่อ [7].

DeepSeek V4: ราคาเด่น แต่ต้องคุมความเสี่ยงด้านความถูกต้อง

สำหรับ DeepSeek V4 แหล่งข้อมูลชุดนี้ยังไม่มีตัวเลขที่เทียบตรงในหลายเบนช์มาร์กหลักของตาราง เช่น Terminal-Bench, SWE-Bench Pro, SWE-Bench Verified และ GPQA Diamond มากพอที่จะจัดอันดับร่วมกับอีกสามโมเดลได้อย่างมั่นใจ แต่ Artificial Analysis รายงานว่า DeepSeek V4 Pro (Max) ได้คะแนน AA-Omniscience ที่ -10 ดีขึ้น 11 คะแนนจาก V3.2 และ V4 Flash (Max) ได้ -23 [2]. แหล่งเดียวกันรายงานอัตรา hallucination ของ V4 Pro และ V4 Flash ที่ 94% และ 96% ตามลำดับ พร้อมตีความว่าเมื่อไม่รู้คำตอบ โมเดลมีแนวโน้มจะตอบออกมาแทบทุกครั้ง [2].

ด้านสถาปัตยกรรม DataCamp ระบุว่า DeepSeek V4 ใช้โครงสร้าง Mixture of Experts หรือ MoE โดยรุ่น Pro มีพารามิเตอร์รวม 1.6 ล้านล้านตัว และมีพารามิเตอร์ active 49 พันล้านตัว ส่วนรุ่น Flash มีพารามิเตอร์รวม 284 พันล้านตัว และมีพารามิเตอร์ active 13 พันล้านตัว [4]. ด้านราคา Mashable ระบุว่า API ของ DeepSeek V4 ถูกกว่า GPT-5.5 และ Claude Opus 4.7 ในราคาต่อโทเค็นที่นำมาเทียบ [3].

ดังนั้น DeepSeek V4 เหมาะจะถูกพิจารณาในงานปริมาณมากที่ไวต่อต้นทุน งานที่มีระบบตรวจคำตอบภายใน หรือ workflow ที่ยอมให้มีการตรวจทานและ post-processing ได้ แต่ถ้างานต้องการความถูกต้องสูงตั้งแต่คำตอบแรก ต้องมีการประเมินเอง ตรวจจับความล้มเหลว และตั้ง guardrail เพิ่มเติม [2][3][4].

เลือกใช้อย่างไรตาม use case

Use caseโมเดลที่ควรทดลองก่อนเหตุผล
เทอร์มินัลอัตโนมัติระยะยาว, shell agent, การจำลอง CIGPT-5.5Terminal-Bench 2.0 มีคะแนน GPT-5.5 82.7%, Claude Opus 4.7 69.4% และ Kimi K2.6 66.7% [19][8][13][6].
แก้ issue จริงบน GitHub, ซ่อมโค้ด, งานแนว SWE-BenchClaude Opus 4.7Claude Opus 4.7 มีรายงาน SWE-Bench Pro 64.3% และ SWE-Bench Verified 87.6% [27].
งาน browsing หรือค้นเว็บGPT-5.5BrowseComp มีรายงาน GPT-5.5 84.4% และ Claude Opus 4.7 79.3% [8][13].
งานเชื่อมต่อเครื่องมือหรือ MCPClaude Opus 4.7MCP Atlas มีรายงาน Claude Opus 4.7 79.1% และ GPT-5.5 75.3% [13].
คอนเท็กซ์ยาวและอินพุตหลายสื่อKimi K2.6Kimi K2.6 ถูกระบุว่ารองรับข้อความ รูปภาพ วิดีโอ และ route สำหรับ context 256k [7].
งานเรียก API จำนวนมากที่ต้องคุมต้นทุนDeepSeek V4ราคาต่อโทเค็นของ DeepSeek V4 ในข้อมูล Mashable ต่ำกว่า GPT-5.5 และ Claude Opus 4.7 แต่ต้องอ่านคู่กับรายงาน hallucination สูงของ Artificial Analysis [2][3].

ทำไมยังฟันธงแชมป์รวมไม่ได้

ข้อแรก ยังไม่มีหลักฐานสาธารณะมากพอว่าโมเดลทั้งสี่ถูกประเมินด้วย prompt เดียวกัน การเข้าถึงเครื่องมือแบบเดียวกัน งบ reasoning แบบเดียวกัน และตัวให้คะแนนเดียวกัน GPT-5.5 กับ Claude Opus 4.7 มีข้อมูลเปรียบเทียบร่วมกันมากกว่า แต่ Kimi K2.6 มีคะแนนจากโมเดลการ์ดและ in-house harness ปะปน ส่วน DeepSeek V4 มีช่องว่างในแถวเบนช์มาร์กหลักหลายรายการ [1][2][5][6].

ข้อสอง ชื่อเบนช์มาร์กเดียวกันไม่ได้แปลว่าเงื่อนไขการรันเหมือนกันเสมอไป แหล่งรวบรวมหนึ่งชี้ว่า แม้คะแนน GPT-5.5 และ Claude Opus 4.7 จะดูเปรียบเทียบกันได้ในเชิงรูปแบบ แต่ไม่ได้หมายความว่าวิธีประเมินเหมือนกันทุกขั้นตอน [5]. Anthropic เองก็ระบุว่าในการประเมิน Terminal-Bench 2.0 ใช้ Terminus-2 harness พร้อมเงื่อนไขทรัพยากรเฉพาะ [31].

ข้อสาม คะแนนเบนช์มาร์กเป็นเพียงส่วนหนึ่งของคุณภาพในผลิตภัณฑ์จริง การนำไปใช้ควรดูทั้งความแม่นยำ รูปแบบความล้มเหลว hallucination, latency, ต้นทุน, ความเสถียรของ tool call, นโยบายความปลอดภัย และการย้อนรอย log ได้ ExplainX เตือนว่า leaderboard definitions, prompt และ tool policies สามารถทำให้คะแนนเปลี่ยนได้ จึงไม่ควรใช้คะแนนสาธารณะแทน eval harness ของทีมเอง [28].

บทสรุป

จากหลักฐานสาธารณะตอนนี้ กลยุทธ์ที่สมเหตุสมผลคือ งานเอเจนต์ผ่านเทอร์มินัลให้เริ่มจาก GPT-5.5, งานซ่อมโค้ดแนว SWE-Bench ให้เริ่มจาก Claude Opus 4.7, งานคอนเท็กซ์ยาวหลายสื่อให้ทดลอง Kimi K2.6, และ งานเรียก API ปริมาณมากที่ไวต่อต้นทุนให้พิจารณา DeepSeek V4 พร้อมระบบตรวจทาน [19][27][7][3].

แต่ถ้าต้องเลือก “โมเดลที่ดีที่สุดโดยรวม” คำตอบที่ปลอดภัยกว่ายังเป็นการชะลอไว้ก่อน เพราะคะแนนสาธารณะสามารถเปลี่ยนตาม prompt, tool access, reasoning setting และ evaluation harness ได้ [5][28][31].

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.

Studio Global AI로 검색 및 팩트체크

주요 시사점

  • ยังไม่ควรยกให้โมเดลใดเป็นแชมป์รวมจากคะแนนสาธารณะชุดนี้: GPT 5.5 เด่นที่ Terminal Bench 2.0 ด้วย 82.7% ส่วน Claude Opus 4.7 เด่นที่ SWE Bench Pro 64.3% และ SWE Bench Verified 87.6% แต่ยังไม่มีการเทียบสี่โมเดลด้วยฮาร์เน...
  • Kimi K2.6 มีตัวเลข SWE Bench Pro 58.6%, SWE Bench Verified 80.2% และ Terminal Bench 2.0 66.7% แต่บางคะแนนมาจากโมเดลการ์ดหรือ in house harness จึงไม่ควรอ่านว่าเทียบตรงกับ GPT 5.5 และ Claude ทุกเงื่อนไข [1][6].
  • DeepSeek V4 น่าสนใจด้านต้นทุน เพราะราคาต่อ 1 ล้านโทเค็นต่ำกว่า GPT 5.5 และ Claude Opus 4.7 ในข้อมูลของ Mashable แต่คะแนนร่วมในเบนช์มาร์กโค้ดหลักยังมีช่องว่าง และ Artificial Analysis รายงานอัตรา hallucination สูง [2][3].

사람들은 또한 묻습니다.

"GPT-5.5, Claude Opus 4.7, DeepSeek V4 และ Kimi K2.6: ผู้ชนะเปลี่ยนตามงาน"에 대한 짧은 대답은 무엇입니까?

ยังไม่ควรยกให้โมเดลใดเป็นแชมป์รวมจากคะแนนสาธารณะชุดนี้: GPT 5.5 เด่นที่ Terminal Bench 2.0 ด้วย 82.7% ส่วน Claude Opus 4.7 เด่นที่ SWE Bench Pro 64.3% และ SWE Bench Verified 87.6% แต่ยังไม่มีการเทียบสี่โมเดลด้วยฮาร์เน...

먼저 검증할 핵심 포인트는 무엇인가요?

ยังไม่ควรยกให้โมเดลใดเป็นแชมป์รวมจากคะแนนสาธารณะชุดนี้: GPT 5.5 เด่นที่ Terminal Bench 2.0 ด้วย 82.7% ส่วน Claude Opus 4.7 เด่นที่ SWE Bench Pro 64.3% และ SWE Bench Verified 87.6% แต่ยังไม่มีการเทียบสี่โมเดลด้วยฮาร์เน... Kimi K2.6 มีตัวเลข SWE Bench Pro 58.6%, SWE Bench Verified 80.2% และ Terminal Bench 2.0 66.7% แต่บางคะแนนมาจากโมเดลการ์ดหรือ in house harness จึงไม่ควรอ่านว่าเทียบตรงกับ GPT 5.5 และ Claude ทุกเงื่อนไข [1][6].

실무에서는 다음으로 무엇을 해야 합니까?

DeepSeek V4 น่าสนใจด้านต้นทุน เพราะราคาต่อ 1 ล้านโทเค็นต่ำกว่า GPT 5.5 และ Claude Opus 4.7 ในข้อมูลของ Mashable แต่คะแนนร่วมในเบนช์มาร์กโค้ดหลักยังมีช่องว่าง และ Artificial Analysis รายงานอัตรา hallucination สูง [2][3].

다음에는 어떤 관련 주제를 탐구해야 할까요?

다른 각도와 추가 인용을 보려면 "Claude Security 공개 베타: 앤트로픽의 AI 코드 취약점 스캐너가 하는 일"으로 계속하세요.

관련 페이지 열기

이것을 무엇과 비교해야 합니까?

"Grok 4.3 API 분석: 100만 토큰과 낮은 단가, xAI의 다음 승부수"에 대해 이 답변을 대조 확인하세요.

관련 페이지 열기

연구를 계속하세요

IT Consulting Orange County CA, IT Services, IT Outsourcing - Technijian. # Anthropic Claude Security for Enterprise: What You Need to Know. Anthropic has officially opened Claude

Claude Security 공개 베타: 앤트로픽의 AI 코드 취약점 스캐너가 하는 일

Claude Security 공개 베타, 기업 코드 보안을 AI로 훑는 방식

抽象 AI 介面顯示 Grok 4.3 API、1M context、token 價格與語音波形

Grok 4.3 API 분석: 100만 토큰과 낮은 단가, xAI의 다음 승부수

Grok 4.3 API 분석: 100만 토큰과 낮은 단가, xAI의 다음 승부수

For the part of factors contributing to the issue, please use Logical synthesis of factors And using leadership frameworks, and gap analysis

홍콩 RCHE에서 ‘제자리 임종’이 어려운 이유

홍콩 요양시설 ‘제자리 임종’의 장애 요인: 리더십과 격차 분석

小米 Q5、MIX 5 与小米 18 系列传闻的概念手机图

샤오미 Q5는 MIX 5가 아닐 가능성: 최신 단서는 샤오미 18 시리즈

샤오미 Q5, MIX 5일까? 최신 정황은 ‘샤오미 18’ 쪽

연구 대화

당신

연구문제

GPT-5.5, Claude Opus 4.7, DeepSeek V4, Kimi K2.6의 벤치마크를 비교해 주세요.

Studio Global AI34 소스

인용 답변

요약하면, 공개적으로 확인 가능한 “동일 조건” 벤치마크만 놓고 보면 GPT-5.5는 터미널/에이전트 코딩, Claude Opus 4.7은 SWE-Bench Pro·Verified와 추론 계열에서 강합니다. DeepSeek V4와 Kimi K2.6은 공개 수치가 흩어져 있어 4개 모델을 한 표로 공정하게 순위화하기에는 근거가 부족합니다.

항목GPT-5.5Claude Opus 4.7DeepSeek V4Kimi K2.6
Terminal-Bench 2.082.7%69.4%공개 비교 근거 부족약 66%대로 보도됨
SWE-Bench Pro58.6%64.3%공개 비교 근거 부족58.6%
SWE-Bench Verified공개 수치 확인 부족87.6%공개 비교 근거 부족80.2%
GPQA Diamond0.94/1로 집계된 자료 있음94.2%로 보도됨공개 비교 근거 부족공개 비교 근거 부족
HLEGPT-5.5와 Opus 4.7 비교 자료에서 항목 존재46.9%로 보도됨공개 비교 근거 부족공개 비교 근거 부족
기타OSWorld, BrowseComp, CyberGym 등에서 GPT-5.5가 앞선다는 비교가 있음FinanceAgent, MCP Atlas 등에서 Opus 4.7이 앞선다는 비교가 있음Artificial Analysis 기준 AA-Omniscience 개선이 보고됐지만 환각률이 매우 높다는 지적도 있음텍스트·이미지·비디오 입력과 256k 컨텍스트 지원으로 소개됨
  • GPT-5.5는 OpenAI 발표 기준 Terminal-Bench 2.0에서 82.7%, SWE-Bench Pro에서 58.6%를 기록한 것으로 확인됩니다 [15].
  • Claude Opus 4.7은 여러 비교 자료에서 SWE-Bench Pro 64.3%, SWE-Bench Verified 87.6%, Terminal-Bench 69.4%, GPQA Diamond 94.2%로 제시됩니다 [3].
  • GPT-5.5와 Claude Opus 4.7만 비교하면, 한 집계 자료는 공통 10개 벤치마크 중 Claude Opus 4.7이 6개, GPT-5.5가 4개에서 앞선다고 요약합니다 [12].
  • Kimi K2.6은 SWE-Bench Pro 58.6%, SWE-Bench Verified 80.2%로 소개된 자료가 있지만, GPT-5.5·Claude Opus 4.7·DeepSeek V4와 완전히 같은 하네스에서 비교됐는지는 명확하지 않습니다 [15][4].
  • DeepSeek V4는 Artificial Analysis에서 V4 Pro와 V4 Flash의 지식·환각 관련 평가가 언급되지만, 위 표의 SWE-Bench Pro, Terminal-Bench, GPQA, HLE와 직접 대응되는 공개 비교 수치는 충분하지 않습니다 [7].

결론적으로 “벤치마크 승자”를 하나로 고르면 왜곡될 수 있습니다.

  • 에이전트 터미널 작업: GPT-5.5 우세로 볼 근거가 가장 강합니다 [15].
  • 실전 GitHub 이슈 해결/SWE-Bench 계열: Claude Opus 4.7 우세로 볼 근거가 강합니다 [3][12].
  • 비용 대비 성능/오픈웨이트 계열: DeepSeek V4와 Kimi K2.6을 검토할 만하지만, 동일 벤치마크 공개 근거는 부족합니다 [7][4].
  • 종합 순위: Insufficient evidence. 4개 모델 모두를 같은 프롬프트, 같은 도구 사용 조건, 같은 채점기로 평가한 독립 벤치마크가 필요합니다.

출처

  • [1] Claude Opus 4.7 vs Kimi K2.6 - Detailed Performance & Feature Comparisondocsbot.ai

    SWE-Bench Verified Evaluates software engineering capabilities through verified code modifications and custom agent setups Not available 80.2% SWE-Bench Verified, thinking mode Source SWE-Bench Pro Evaluates software engineering on multi-language SWE-Bench...

  • [2] DeepSeek is back among the leading open weights models with V4 Pro ...artificialanalysis.ai

    Gains in knowledge but an increase in hallucination rate: DeepSeek V4 Pro (Max) scores -10 on AA-Omniscience, an 11 point improvement over V3.2 (Reasoning, -21), driven primarily by higher accuracy. V4 Flash (Max) scores -23, broadly in line with V3.2. V4 P...

  • [3] DeepSeek V4 is here: How it compares to ChatGPT, Claude, Geminimashable.com

    Here's how the API pricing compares: DeepSeek V4 costs $1.74 per 1 million input tokens and $3.48 per 1 million output tokens (1 million context window) GPT-5.5 costs at $5 per 1 million input tokens and $30 per 1 million output tokens (1 million context wi...

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

  • [5] GPT-5.5 vs Claude Opus 4.7: Pricing, Speed, Benchmarksllm-stats.com

    The Verdict On the 10 benchmarks both providers report, Opus 4.7 leads on 6 and GPT-5.5 leads on 4. The leads cluster by category, not by overall quality: Opus 4.7 is ahead on the reasoning-heavy and review-grade tests (GPQA Diamond, HLE with and without to...

  • [6] Kimi K2.6 vs Claude Opus 4.6 vs GPT-5.4 - Verdent AIverdent.ai

    Benchmark K2.6 Claude Opus 4.6 GPT-5.4 Notes --- --- SWE-Bench Pro 58.60% 53.40% 57.70% Moonshot in-house harness; SEAL mini-swe-agent puts GPT-5.4 at 59.1%, Opus 4.6 at 51.9% SWE-Bench Verified 80.20% 80.80% 80% Tight cluster; Opus 4.7 now leads at 87.6% T...

  • [7] Kimi K2.6 vs DeepSeek V4 vs GPT-5.5 vs Claude Opus 4.7blog.laozhang.ai

    Official Contract Lanes Official rows keep the comparison honest. Kimi's K2.6 pricing page says K2.6 is the latest and smartest Kimi model, supports text, image, and video input, and has a 256k context route. DeepSeek's pricing page lists deepseek-v4-flash...

  • [8] OpenAI’s GPT-5.5 vs Claude Opus 4.7: Which is better? | Mashablemashable.com

    Thanks for signing up! SWE-Bench Pro: GPT-5.5 scored 58.6; Opus 4.7 scored 64.3 percent Terminal-Bench 2.0: GPT-5.5 scored 82.7 percent; Opus 4.7 scored 69.4 percent Humanity's Last Exam: GPT-5.5 scored 40.6 percent; Opus 4.7 scored 31.2 percent\ Humanity's...

  • [13] Everything You Need to Know About GPT-5.5 - Vellumvellum.ai

    Benchmark GPT-5.5 GPT-5.5 Pro GPT-5.4 Claude Opus 4.7 Gemini 3.1 Pro --- --- --- Terminal-Bench 2.0 82.7% — 75.1% 69.4% 68.5% SWE-Bench Pro 58.6% — 57.7% 64.3% 54.2% Expert-SWE (Internal) 73.1% — 68.5% — — GDPval 84.9% 82.3% 83.0% 80.3% 67.3% OSWorld-Verifi...

  • [19] Introducing GPT-5.5 - OpenAIopenai.com

    Agentic coding GPT‑5.5 is our strongest agentic coding model to date. On Terminal-Bench 2.0, which tests complex command-line workflows requiring planning, iteration, and tool coordination, it achieves a state-of-the-art accuracy of 82.7%. On SWE-Bench Pro,...

  • [27] Claude Opus 4.7: Anthropic's New Best (Available) Model - DataCampdatacamp.com

    Claude Opus 4.7 Benchmarks Opus 4.7 was evaluated across 14 benchmarks covering coding, reasoning, tool use, computer use, and visual reasoning. The table below shows the full comparison with Opus 4.6, GPT 5.4, Gemini 3.1 Pro, and the not-yet-published Myth...

  • [28] Claude Opus 4.7: Anthropic’s new flagship, benchmarks, and how it compares to Sonnet & Haiku | explainx.ai Blog | explainx.aiexplainx.ai

    \Percentages are as printed on Anthropic’s benchmark figure; leaderboard definitions, prompts, and tool policies can move scores over time—treat this as a snapshot, not a substitute for your eval harness. Reading the table pragmatically Agentic coding (SWE-...

  • [29] 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...

  • [31] Introducing Claude Opus 4.7 - Anthropicanthropic.com

    For GPT-5.4 and Gemini 3.1 Pro, we compared against the best reported model version available via API in the charts and table. MCP-Atlas: The Opus 4.6 score has been updated to reflect revised grading methodology from Scale AI. SWE-bench Verified, Pro, and...