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

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% .
• 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 .
• คอนเท็กซ์ยาวพร้อมอินพุตหลายสื่อ: ควรใส่ Kimi K2.6 ไว้ใน shortlist เพราะมีการระบุว่ารองรับข้อความ รูปภาพ วิดีโอ และ route สำหรับ context 256k .
• 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 .

ตารางเปรียบเทียบเบนช์มาร์กสำคัญ

เครื่องหมาย — หมายถึงในแหล่งข้อมูลสาธารณะที่ใช้ในบทความนี้ ยังไม่พบตัวเลขที่เทียบกันตรง ๆ ในเบนช์มาร์กเดียวกัน ไม่ได้แปลว่าโมเดลนั้นทำงานประเภทนั้นไม่ได้

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% . ตามคำอธิบายของ OpenAI, Terminal-Bench 2.0 ใช้วัด workflow ผ่าน command line ที่ซับซ้อน ต้องวางแผน ทำซ้ำ และประสานการใช้เครื่องมือ ส่วน SWE-Bench Pro วัดความสามารถในการแก้ issue จริงบน GitHub .

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 .

Claude Opus 4.7: เด่นในงานซ่อมโค้ดและตรวจงานแบบละเอียด

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

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% . แต่ใน Terminal-Bench 2.0 และ BrowseComp คะแนนสาธารณะของ GPT-5.5 สูงกว่า .

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% . อย่างไรก็ตาม คู่มือนั้นระบุว่าคะแนน K2.6 มาจากโมเดลการ์ดทางการของ Moonshot AI และสำหรับ SWE-Bench Pro มีหมายเหตุว่าเป็น Moonshot in-house harness .

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

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 . แหล่งเดียวกันรายงานอัตรา hallucination ของ V4 Pro และ V4 Flash ที่ 94% และ 96% ตามลำดับ พร้อมตีความว่าเมื่อไม่รู้คำตอบ โมเดลมีแนวโน้มจะตอบออกมาแทบทุกครั้ง .

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 . ด้านราคา Mashable ระบุว่า API ของ DeepSeek V4 ถูกกว่า GPT-5.5 และ Claude Opus 4.7 ในราคาต่อโทเค็นที่นำมาเทียบ .

ดังนั้น DeepSeek V4 เหมาะจะถูกพิจารณาในงานปริมาณมากที่ไวต่อต้นทุน งานที่มีระบบตรวจคำตอบภายใน หรือ workflow ที่ยอมให้มีการตรวจทานและ post-processing ได้ แต่ถ้างานต้องการความถูกต้องสูงตั้งแต่คำตอบแรก ต้องมีการประเมินเอง ตรวจจับความล้มเหลว และตั้ง guardrail เพิ่มเติม .

เลือกใช้อย่างไรตาม use case

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 .

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

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 .

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 .

แต่ถ้าต้องเลือก “โมเดลที่ดีที่สุดโดยรวม” คำตอบที่ปลอดภัยกว่ายังเป็นการชะลอไว้ก่อน เพราะคะแนนสาธารณะสามารถเปลี่ยนตาม prompt, tool access, reasoning setting และ evaluation harness ได้ .