GPT-5.5 vs Claude Opus 4.7: ไม่มีผู้ชนะขาดลอย ต้องเลือกตามงาน

ฝั่ง Anthropic หน้าเปิดตัว Claude Opus 4.7 เน้นการปรับปรุงในงาน tool calling, planning และ software engineering โดยยกตัวอย่างว่า Hebbia เห็นความแม่นยำด้านการเรียกเครื่องมือและการวางแผนเพิ่มขึ้นเป็นเลขสองหลัก และบน Rakuten-SWE-Bench Claude Opus 4.7 แก้ production tasks ได้มากกว่า Opus 4.6 ถึง 3 เท่า

กล่าวง่าย ๆ คือ เอกสารทางการช่วยบอกว่าแต่ละบริษัทอยากให้โมเดลของตนทำงานประเภทไหน ส่วนคะแนนเปรียบเทียบ GPT-5.5 กับ Claude Opus 4.7 แบบบรรทัดต่อบรรทัดในที่นี้พึ่งพาสรุปจากแหล่งภายนอกเป็นหลัก

ตารางสรุป benchmark: ใครนำข้อไหน

คะแนนหลักด้านล่างอ้างอิงจากสรุปของ Vellum สำหรับ GPT-5.5 เป็นหลัก โดย GPQA Diamond มีลำดับคะแนนสอดคล้องกับ leaderboard ของ Vellum ด้วย

งานแก้โค้ดจริง: Claude Opus 4.7 ควรเข้ารอบแรก

จุดที่ Claude ชนะชัดที่สุดคือ SWE-Bench Pro ซึ่ง Claude Opus 4.7 ทำได้ 64.3% เทียบกับ GPT-5.5 ที่ 58.6% หรือ领先 5.7 จุดเปอร์เซ็นต์ สำหรับทีมที่ต้องให้โมเดลแก้ issue จริงใน repo, ทำ patch, ไล่ dependency ข้ามหลายไฟล์ หรือช่วยอ่าน PR ที่ซับซ้อน Claude Opus 4.7 จึงควรถูกทดสอบตั้งแต่รอบแรก

อีกข้อมูลที่เกี่ยวข้องคือ SWE-bench Verified ซึ่ง BenchLM อธิบายว่าเป็นชุดย่อยของ SWE-bench ที่ผ่านการตรวจสอบโดยมนุษย์ ใช้ทดสอบความสามารถของโมเดลในการแก้ issue จริงจาก GitHub และระบุว่า Claude Opus 4.7 Adaptive ได้ 87.6% แต่แหล่งนี้ไม่ได้ให้คะแนน GPT-5.5 ในมาตรวัดเดียวกัน ดังนั้นจึงยังใช้ฟันธงไม่ได้ว่า Claude ชนะ GPT-5.5 บน SWE-bench Verified โดยตรง ข้อสรุปที่ปลอดภัยกว่าคือ Claude Opus 4.7 อยู่ในกลุ่มตัวเต็งมากสำหรับงานซ่อมซอฟต์แวร์จริง

เทอร์มินัล เบราว์ซ และงานเอเจนต์: GPT-5.5 มีช่องชนะมากกว่า

จุดนำที่ใหญ่ที่สุดของ GPT-5.5 ในชุดข้อมูลสาธารณะคือ Terminal-Bench 2.0: GPT-5.5 ได้ 82.7% ส่วน Claude Opus 4.7 ได้ 69.4% ต่างกัน 13.3 จุดเปอร์เซ็นต์ GPT-5.5 ยังนำใน BrowseComp, GDPval และ OSWorld-Verified ที่ 84.4% ต่อ 79.3%, 84.9% ต่อ 80.3% และ 78.7% ต่อ 78.0% ตามลำดับ

ถ้าผลิตภัณฑ์ของคุณต้องให้โมเดลสั่ง shell, อ่านผลลัพธ์จาก terminal, ใช้เบราว์เซอร์, จัดการไฟล์, ควบคุม OS หรือทำ automation หลายขั้น GPT-5.5 จึงเป็นตัวเลือกที่ควรลองก่อนโดยธรรมชาติ

แต่ไม่ควรสรุปว่า “งานเอเจนต์ทั้งหมดต้องเลือก GPT” เพราะใน MCP Atlas Claude Opus 4.7 ได้ 79.1% สูงกว่า GPT-5.5 ที่ 75.3% และหน้าเปิดตัวของ Anthropic ก็ชูการพัฒนาเรื่อง tool calling และ planning ของ Claude Opus 4.7 โดยตรง

งานมืออาชีพ reasoning และคณิตศาสตร์: ผลยังแตกเป็นรายประเภท

งานเชิงธุรกิจหรือมืออาชีพก็ไม่ได้เอนไปทางเดียวกัน Vellum ระบุว่า GPT-5.5 นำ Claude Opus 4.7 บน GDPval ที่ 84.9% ต่อ 80.3% แต่สรุปของ Kingy AI ระบุว่า Claude Opus 4.7 นำใน FinanceAgent v1.1 ที่ 64.4% ต่อ 60.0% ขณะที่ GPT-5.5 นำใน OfficeQA Pro ที่ 54.1% ต่อ 43.6%

ด้าน reasoning และคณิตศาสตร์ต้องดูชนิดโจทย์เช่นกัน บน GPQA Diamond Claude Opus 4.7 ได้ 94.2% ส่วน GPT-5.5 ได้ 93.6% Claude นำเพียง 0.6 จุดเปอร์เซ็นต์ แต่บน FrontierMath T1–3 GPT-5.5 ได้ 51.7% เทียบกับ Claude Opus 4.7 ที่ 43.8% ห่างกัน 7.9 จุดเปอร์เซ็นต์

Humanity’s Last Exam เป็นตัวอย่างที่ดีของข้อจำกัดในการใช้สรุปจากหลายแหล่ง Kingy AI ระบุผลแบบไม่ใช้เครื่องมือว่า GPT-5.5 ได้ 41.4% และ Claude Opus 4.7 ได้ 46.9% ขณะที่ Mashable ระบุผลแบบไม่ใช้เครื่องมือว่า GPT-5.5 ได้ 40.6% และ Claude Opus 4.7 ได้ 31.2% เมื่อสรุปสาธารณะในหัวข้อเดียวกันให้ทิศทางไม่ตรงกัน จึงไม่ควรใช้ benchmark นี้เป็นหลักฐานหลักในการเลือกโมเดล

เลือกอย่างไร: อย่าหาแชมป์รวม ให้เริ่มจาก workflow

ถ้างานหลักของคุณคือแก้โค้ดระดับ repo, แก้ GitHub issue จริง, ทำ patch หรือช่วย review PR ซับซ้อน ให้เริ่มทดสอบ Claude Opus 4.7 ก่อน เพราะ SWE-Bench Pro และ SWE-bench Verified สนับสนุนภาพว่าโมเดลนี้แข็งแรงมากในงาน software engineering repair

ถ้างานหลักคือรันคำสั่งใน terminal, ค้นเว็บ, ใช้ระบบปฏิบัติการ, คุม automation agent หรือทำงานมืออาชีพประเภทที่ GDPval ครอบคลุม ให้เริ่มทดสอบ GPT-5.5 ก่อน เพราะมีคะแนนนำแบบหัวต่อหัวใน Terminal-Bench 2.0, BrowseComp, OSWorld-Verified และ GDPval

ถ้า workflow ของคุณผสมทั้งโค้ด การเรียกเครื่องมือ การวางแผนหลายขั้น การอ่านเอกสาร และการสร้างรายงาน อย่าเลือกจากคำว่า “อันดับหนึ่ง” เพียงคำเดียว GPT-5.5 นำใน benchmark สาย execution หลายตัว ส่วน Claude Opus 4.7 เด่นใน SWE-Bench Pro, MCP Atlas และ narrative ทางการของ Anthropic เรื่อง tool planning ทั้งสองรุ่นจึงควรอยู่ใน shortlist

ก่อนขึ้น production: ทำ eval ของตัวเองให้เข้มกว่าการอ่านตาราง

benchmark สาธารณะมีประโยชน์มากในการลดจำนวนตัวเลือก แต่ตอนตัดสินใจใช้จริง ควรเตรียมชุดงานจากระบบจริงของคุณเอง แล้วทดสอบแบบไม่เปิดชื่อโมเดล ใช้ prompt เดียวกัน สิทธิ์เครื่องมือเท่ากัน งบ context เท่ากัน งบเวลาเท่ากัน และ rubric เดียวกัน หากใช้ GPT-5.5 ควรกำหนดค่า reasoning.effort ให้ชัด เพราะเอกสาร OpenAI API ระบุว่าโมเดลนี้รองรับการควบคุมดังกล่าว

เวลาตรวจคะแนน อย่าดูเฉพาะค่าเฉลี่ย ควรจดอย่างน้อย 4 อย่าง: งานสำเร็จหรือไม่, คำตอบตรวจสอบได้แค่ไหน, มนุษย์ต้องเสียเวลาแก้ต่อเท่าไร, และ latency กับต้นทุนเรียกใช้งานเป็นอย่างไร สำหรับระบบจริง โมเดลที่ผิดน้อยในงานสำคัญของคุณอาจคุ้มกว่ารุ่นที่ชนะ benchmark ที่ไม่เกี่ยวข้องอยู่ไม่กี่จุดเปอร์เซ็นต์

ข้อสรุปจากข้อมูลสาธารณะตอนนี้ค่อนข้างชัด: GPT-5.5 กับ Claude Opus 4.7 ไม่มีผู้ชนะสมบูรณ์แบบ มีแต่โมเดลที่เหมาะกับงานคนละแบบ