studioglobal
ค้นพบเทรนด์
รายงานเผยแพร่แล้ว13 แหล่งที่มา

เทียบ GPT-5.5, Claude Opus 4.7, Kimi K2.6 และ DeepSeek V4-Pro: คะแนนไหนใช้ตัดสินใจได้จริง

ยังไม่มีคะแนนร่วมจาก harness เดียวพอจะตั้งแชมป์รวมได้; ในข้อมูลที่อ้างได้ GPT 5.5 ทำ Terminal Bench 2.0 ได้ 82.7% ส่วน Claude Opus 4.7 ทำ SWE Bench Pro ได้ 64.3% แต่ตัวเลขหลังมาจากแหล่งรวบรวมที่อ้าง AWS [27][4]. งาน screenshot, document understanding และ computer use Claude Opus 4.7 มีหลักฐานทางการชัดที่สุด: Anthrop...

ค้นหาและตรวจสอบข้อเท็จจริงด้วย Studio Global AIเรียกดูเพิ่มเติมจาก Discover
16K0
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 พรอมต์

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

คำตอบสั้น ๆ คือ อย่าอ่านคะแนนเหล่านี้เหมือนตารางลีกเดียวกัน เพราะหลายตัวเลขมาจากคนละแหล่ง คนละชุดทดสอบ และบางกรณีอาจต่างกันที่สิทธิ์ใช้เครื่องมือหรือระดับ reasoning effort ด้วย ถ้าต้องเลือกใช้งานจริง ภาพที่ชัดกว่าคือเลือกตามงาน: งาน Terminal/CLI ให้เริ่มดู GPT-5.5, งานซ่อมโค้ดแบบ SWE-Bench และงาน vision/computer-use ให้ใส่ Claude Opus 4.7 ไว้ต้น ๆ, งานความรู้และคณิตศาสตร์ในสายโมเดลเปิดให้ดู DeepSeek V4-Pro และถ้าทีมรัน agent workflow บน Workers AI ให้ใส่ Kimi K2.6 ใน shortlist [27][4][1][5][58][64][36].

ภาพรวมคะแนนที่อ้างอิงได้

เครื่องหมาย — ในตารางหมายถึงแหล่งข้อมูลชุดนี้ไม่มีคะแนนที่อ้างได้ในช่องนั้น ไม่ได้แปลว่าโมเดลทำไม่ได้หรือได้ศูนย์ ที่สำคัญกว่านั้นคือคะแนนเหล่านี้ไม่ได้มาจาก official harness เดียวกันทั้งหมด จึงเหมาะสำหรับคัดกรองเบื้องต้นมากกว่าการประกาศอันดับรวมแบบเด็ดขาด

งานหรือเบนช์มาร์กGPT-5.5Claude Opus 4.7Kimi K2.6DeepSeek V4-Proอ่านอย่างไรในทางปฏิบัติ
Terminal-Bench 2.082.7% [27]69.4% [4]66.7 [84]67.9 [64]ในคะแนนที่อ้างได้ GPT-5.5 เด่นสุดสำหรับ command-line workflow
SWE-Bench Pro58.6% [27]64.3% [4]58.6 [84]55.4 [64]Claude นำในแถวนี้ แต่ตัวเลขมาจากแหล่งรวบรวมที่อ้าง AWS จึงควรรันซ้ำกับ repo ของตัวเอง
SWE-Bench Verified / Resolved—87.6% [4]80.2 [45]80.6 [64]Claude สูงสุดในข้อมูลที่มี แต่ไม่มีคะแนน GPT-5.5 ในแถวเทียบตรง และชื่อชุดทดสอบในแหล่งข้อมูลไม่เหมือนกันทั้งหมด
Graphwalks 256k: BFS / parents73.7 / 90.1 [21]76.9 / 93.6 [21]——ในตาราง long context ของ OpenAI ที่ 256k Claude Opus 4.7 สูงกว่า GPT-5.5 ทั้งสองรายการ
Graphwalks 1M: BFS / parents45.4 / 58.5 [21]———ใช้อ้างความสามารถ long context 1M ของ GPT-5.5 ได้ แต่ในตารางเดียวกันฝั่ง Opus ที่ 1M ระบุเป็น Opus 4.6 จึงไม่ควรใช้ตัดสิน Opus 4.7 [21]
ความรู้และคณิตศาสตร์———GPQA Diamond 90.1, GSM8K 92.6, MMLU-Pro 87.5, HLE 37.7 [64]DeepSeek V4-Pro มีชุดคะแนน model card ที่ครบที่สุดในกลุ่มนี้
Vision, screenshot, computer-use—vision-heavy gains, พิกัดภาพ 1:1, XBOW visual-acuity 98.5% [1][5]Cloudflare ระบุว่าเป็น native multimodal agentic model แต่ไม่มีคะแนน vision benchmark ชุดเดียวกัน [36]—Claude Opus 4.7 มีหลักฐานตรงที่สุดสำหรับงานที่ต้องอ่านหน้าจอ เอกสาร และ UI

ทำไมยังไม่ควรจัดอันดับรวม

  1. แหล่งข้อมูลไม่ใช่ชั้นเดียวกัน ตัวเลข Terminal-Bench 2.0 และ SWE-Bench Pro ของ GPT-5.5 มาจากรายงาน Yahoo Finance / Investing.com ที่ระบุว่าเป็นผล benchmark ที่ OpenAI ให้มา [27] ส่วนตัวเลข SWE-Bench Pro, SWE-Bench Verified และ Terminal-Bench 2.0 ของ Claude Opus 4.7 มาจากบทความรวบรวมที่อ้าง AWS [4] ขณะที่คะแนนบางส่วนของ Kimi K2.6 และ DeepSeek V4-Pro มาจาก model card บน Hugging Face [84][64].

  2. สิทธิ์ใช้เครื่องมือเปลี่ยนผลได้ รายงาน HLE ที่ Mashable อ้างแสดงให้เห็นว่าในโหมดไม่มีเครื่องมือ Claude Opus 4.7 ได้ 46.9% และ GPT-5.4 Pro ได้ 42.7% แต่เมื่อมีเครื่องมือ GPT-5.4 Pro ได้ 58.7% ขณะที่ Claude Opus 4.7 ได้ 54.7% ตัวเลขนี้ไม่ใช่ GPT-5.5 แต่ชี้ชัดว่า with tools และ without tools ไม่ควรเอามาปนในอันดับเดียวกัน [6].

  3. รุ่นย่อยและ effort มีผลต่อทั้งคะแนนและต้นทุน DeepSeek V4 แยกเป็น V4-Pro และ V4-Flash โดย Yahoo Finance รายงานว่า DeepSeek ระบุ V4-Flash เป็นทางเลือกที่มีประสิทธิภาพและประหยัดกว่า ส่วนคะแนนละเอียดที่ใช้ในบทความนี้อ้างอิง DeepSeek-V4-Pro เป็นหลัก [57][64] ด้าน GPT-5.5 ทาง Artificial Analysis แยกตาม effort variants และระบุว่า GPT-5.5 xhigh มีต้นทุนรัน Index สูงกว่ารุ่นก่อนราว 20% แต่ต่ำกว่า Claude Opus 4.7 max ราว 30% [24].

GPT-5.5: เด่นสุดเมื่อโจทย์อยู่ในเทอร์มินัลและ context ยาว

จุดแข็งที่ชัดที่สุดของ GPT-5.5 ในข้อมูลชุดนี้คือ Terminal-Bench 2.0 ซึ่งใช้วัด command-line workflows โดยรายงาน Yahoo Finance / Investing.com ระบุว่า GPT-5.5 ทำได้ 82.7% และทำ SWE-Bench Pro ซึ่งวัดการแก้ GitHub issue ได้ 58.6% [27].

ฝั่ง long context ตารางของ OpenAI ให้รายละเอียดมากขึ้น: GPT-5.5 ได้ Graphwalks BFS ที่ 256k และ 1M เท่ากับ 73.7 และ 45.4 ตามลำดับ และได้ Graphwalks parents ที่ 256k และ 1M เท่ากับ 90.1 และ 58.5 ตามลำดับ ตารางเดียวกันยังระบุว่า GPT-5.4 ได้ Graphwalks BFS 1M เพียง 9.4 ขณะที่ GPT-5.5 ได้ 45.4 [21].

ในมุมมองบุคคลที่สาม Artificial Analysis เรียก GPT-5.5 ว่าเป็นโมเดล AI ชั้นนำชุดใหม่ โดยระบุว่า OpenAI นำใน headline evaluations 5 รายการ และเป็นอันดับสองรองจาก Gemini 3.1 Pro Preview ใน 3 รายการ อีกทั้ง GPT-5.5 xhigh ใช้ output tokens น้อยกว่ารุ่นก่อนราว 40% ในการรัน Index ของ Artificial Analysis [24].

เหมาะเริ่มทดสอบเมื่อ: ทีมต้องทำ CLI automation, terminal agents, agentic coding ที่ต้องควบคุม output tokens หรือ workflow ที่ต้องอ่าน context ยาวมาก [27][21][24].

Claude Opus 4.7: คะแนน coding แข็ง และหลักฐาน vision/computer-use ชัดที่สุด

Claude Opus 4.7 มีหลักฐานทางการที่ชัดมากในงาน vision และ UI operation เอกสาร API ของ Anthropic ระบุว่าการเปลี่ยนแปลงนี้ควรช่วยให้ performance ดีขึ้นใน vision-heavy workloads โดยเฉพาะ computer use, screenshot, artifact และ document understanding workflows อีกทั้งพิกัดของโมเดลยังแมปกับพิกเซลจริงแบบ 1:1 ทำให้ไม่ต้องคำนวณ scale factor เพิ่ม [1].

หน้า launch ของ Anthropic ยังอ้างผล benchmark ของ XBOW ว่า Claude Opus 4.7 ได้ visual-acuity 98.5% เทียบกับ 54.5% ของ Opus 4.6 [5] ดังนั้นถ้าโจทย์เกี่ยวกับการอ่าน screenshot, เข้าใจ layout เอกสาร, คลิกหรือควบคุม UI บนหน้าจอ Claude Opus 4.7 มีหลักฐานตรงกว่าอีกสามตัวในชุดข้อมูลนี้ [1][5].

ด้าน coding benchmark บทความรวบรวมระบุว่า AWS cites Claude Opus 4.7 ที่ 64.3% บน SWE-Bench Pro, 87.6% บน SWE-Bench Verified และ 69.4% บน Terminal-Bench 2.0 [4] ตัวเลขเหล่านี้ทำให้ Claude นำใน SWE-Bench Pro และ Verified/Resolved ที่อ้างได้ในบทความนี้ แต่เพราะเป็นแหล่งรอง การตัดสินใจระดับ production ควรทดสอบซ้ำกับ repo, test suite และ policy ของทีมเอง

ข้อควรระวังคือภาพความละเอียดสูงใช้ tokens มากขึ้น Anthropic แนะนำว่าถ้าไม่ต้องการรายละเอียดภาพระดับสูง ควร downsample ภาพก่อนส่งให้ Claude เพื่อลด token usage [1].

เหมาะเริ่มทดสอบเมื่อ: งานซ่อม GitHub issue, coding agent, screenshot หรือ document understanding, computer-use agent และงาน UI ที่ต้องการพิกัดพิกเซลแม่น ๆ [1][4][5].

Kimi K2.6: ตัวเลือกน่าลองสำหรับ multimodal agent บน Workers AI

Cloudflare changelog ระบุว่า Moonshot AI Kimi K2.6 พร้อมใช้งานบน Workers AI ตั้งแต่วันที่ 20 เมษายน 2026 ด้วย model ID @cf/moonshotai/kimi-k2.6 และ Cloudflare เรียกการเปิดตัวนี้ว่า Day 0 support ร่วมกับ Moonshot AI [36].

แหล่งเดียวกันอธิบาย Kimi K2.6 ว่าเป็น native multimodal agentic model ที่เน้น long-horizon coding, coding-driven design, proactive autonomous execution และ swarm-based task orchestration พร้อมสถาปัตยกรรม Mixture-of-Experts ที่มีพารามิเตอร์รวม 1T และ active 32B ต่อ token [36].

สำหรับคะแนนที่เปิดเผย model card ของ Kimi K2.6 บน Hugging Face ระบุ Terminal-Bench 2.0 ที่ 66.7, SWE-Bench Pro ที่ 58.6 และ SWE-Bench Multilingual ที่ 76.7 [84] ส่วน MarkTechPost รายงานว่า Kimi K2.6 ได้ SWE-Bench Verified 80.2 [45].

เหมาะเริ่มทดสอบเมื่อ: ทีมใช้ Cloudflare Workers AI อยู่แล้ว หรือต้องการลอง workflow ที่ผสม long-horizon coding, coding-driven design, multimodal agent และ multi-agent orchestration [36][84].

DeepSeek V4-Pro: model card ความรู้และคณิตศาสตร์ครบที่สุดในชุดนี้

DeepSeek V4 ในแหล่งข้อมูลแยกเป็น V4-Pro และ V4-Flash โดย Yahoo Finance รายงานว่า DeepSeek ระบุ V4-Pro นำหน้า open-source models อื่นอย่างชัดเจนใน world knowledge benchmarks และตามหลังเพียงเล็กน้อยเมื่อเทียบกับโมเดลปิดระดับบนอย่าง Gemini-Pro-3.1 ส่วน V4-Flash ถูกวางเป็นทางเลือกที่มีประสิทธิภาพและประหยัดกว่า [57].

model card ของ DeepSeek-V4-Pro บน Hugging Face ให้ชุดตัวเลขที่ครบที่สุดสำหรับความรู้ คณิตศาสตร์ coding และ terminal ในบทความนี้ ได้แก่ 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 และ TerminalBench 2.0 67.9 [64].

CNBC รายงานว่า DeepSeek ระบุ V4 ถูกปรับให้เหมาะกับ agent tools อย่าง Claude Code และ OpenClaw และ Wei Sun นักวิเคราะห์หลักด้าน AI ของ Counterpoint เห็นว่า benchmark profile ของ V4 บ่งชี้ว่าอาจให้ agent capability ที่ดีในต้นทุนต่ำกว่ามาก [58].

เหมาะเริ่มทดสอบเมื่อ: ทีมให้ความสำคัญกับสายโมเดลเปิด คะแนนความรู้และคณิตศาสตร์ ความคุ้มค่าของ agent tooling หรือการประเมินโมเดลที่ดาวน์โหลดไปรันในสภาพแวดล้อมที่ควบคุมเองได้ [58][64].

เลือกตามงาน: shortlist ที่ใช้ได้จริง

  • Terminal automation / command-line agents: เริ่มที่ GPT-5.5 ในข้อมูลที่อ้างได้ GPT-5.5 ทำ Terminal-Bench 2.0 ได้ 82.7% สูงกว่า Claude Opus 4.7 ที่ 69.4%, DeepSeek V4-Pro ที่ 67.9 และ Kimi K2.6 ที่ 66.7 [27][4][64][84].
  • Software engineering repair / งานแบบ SWE-Bench Pro: เริ่มที่ Claude Opus 4.7 แต่ต้องรัน repo ของตัวเอง คะแนนที่อ้างได้คือ Claude Opus 4.7 ที่ 64.3%, GPT-5.5 และ Kimi K2.6 ที่ 58.6 และ DeepSeek V4-Pro ที่ 55.4 แต่คะแนนของ Claude ในแถวนี้มาจากแหล่งรอง [4][27][84][64].
  • Screenshot, document understanding, computer-use: ให้ Claude Opus 4.7 มาก่อน เพราะ Anthropic ระบุชัดเรื่อง vision-heavy workflows, computer use และพิกัด 1:1 ขณะที่ launch page อ้างผล XBOW visual-acuity 98.5% [1][5].
  • Knowledge/math และเส้นทางโมเดลเปิด: ใส่ DeepSeek V4-Pro ไว้ใน shortlist เพราะ model card ให้คะแนน GPQA Diamond, GSM8K, HLE, MMLU-Pro, SWE-Bench และ TerminalBench 2.0 ครบในที่เดียว [64].
  • Multimodal agentic workflow บน Workers AI: Kimi K2.6 น่าทดสอบ Cloudflare เปิดให้ใช้ Kimi K2.6 บน Workers AI และวางตำแหน่งเป็น native multimodal agentic model สำหรับ long-horizon coding และ swarm-based task orchestration [36].

ก่อนนำไปใช้จริง ควรรันซ้ำภายใต้เงื่อนไขเดียวกัน

ถ้าต้องการข้อสรุปที่อธิบายต่อทีมได้ ควรทดสอบทุกโมเดลด้วยเวอร์ชันหรือ API model ID ที่ชัดเจน ใช้ context length เดียวกัน สิทธิ์ใช้เครื่องมือเดียวกัน reasoning effort เดียวกัน temperature เดียวกัน token budget เดียวกัน และ scoring harness เดียวกัน โดยเฉพาะสิทธิ์ใช้เครื่องมือ เพราะตัวอย่าง HLE แสดงให้เห็นว่า with tools และ without tools สามารถเปลี่ยนลำดับผลลัพธ์ได้ [6].

ต้นทุนก็ควรวัดพร้อมความสามารถ Artificial Analysis ระบุว่า GPT-5.5 xhigh มีต้นทุนรัน Index สูงกว่ารุ่นก่อนราว 20% แต่ต่ำกว่า Claude Opus 4.7 max ราว 30% และใช้ output tokens น้อยกว่ารุ่นก่อนราว 40% [24] ขณะที่ Anthropic เตือนว่าภาพความละเอียดสูงจะใช้ tokens มากขึ้นใน Claude [1]. สำหรับ production agent ความเร็ว token usage อัตราเรียกเครื่องมือสำเร็จ และอัตราแก้ error ได้จริงมักสำคัญพอ ๆ กับคะแนน benchmark เดี่ยว

สรุปสุดท้าย

ตอนนี้ข้อสรุปที่แข็งแรงที่สุดไม่ใช่การมอบมงกุฎให้โมเดลเดียว แต่คือการเลือกตามงาน: Terminal-Bench ให้ดู GPT-5.5, SWE-Bench และ vision/computer-use ให้ดู Claude Opus 4.7, knowledge/math model card ให้ดู DeepSeek V4-Pro และ multimodal agentic coding บน Workers AI ให้ใส่ Kimi K2.6 ในรายชื่อทดลอง [27][4][1][5][64][36]. การจัดอันดับรวมที่ยุติธรรมควรรอจนทั้งสี่โมเดลมีคะแนนร่วมใน harness เดียวกัน ภายใต้เครื่องมือ เวอร์ชัน และการตั้งค่าเดียวกันครบถ้วนก่อน

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.

ค้นหาและตรวจสอบข้อเท็จจริงด้วย Studio Global AI

ประเด็นสำคัญ

  • ยังไม่มีคะแนนร่วมจาก harness เดียวพอจะตั้งแชมป์รวมได้; ในข้อมูลที่อ้างได้ GPT 5.5 ทำ Terminal Bench 2.0 ได้ 82.7% ส่วน Claude Opus 4.7 ทำ SWE Bench Pro ได้ 64.3% แต่ตัวเลขหลังมาจากแหล่งรวบรวมที่อ้าง AWS [27][4].
  • งาน screenshot, document understanding และ computer use Claude Opus 4.7 มีหลักฐานทางการชัดที่สุด: Anthropic ระบุ gains สำหรับ vision heavy workflows และพิกัด 1:1 ขณะที่ launch page อ้างผล XBOW visual acuity 98.5% [1][5].
  • DeepSeek V4 Pro มี model card ที่ให้คะแนนความรู้และคณิตศาสตร์ครบอย่าง GPQA, GSM8K, MMLU Pro และ HLE ส่วน Kimi K2.6 เด่นในฐานะตัวเลือก multimodal agent บน Cloudflare Workers AI [64][36].

คนยังถาม

คำตอบสั้น ๆ สำหรับ "เทียบ GPT-5.5, Claude Opus 4.7, Kimi K2.6 และ DeepSeek V4-Pro: คะแนนไหนใช้ตัดสินใจได้จริง" คืออะไร

ยังไม่มีคะแนนร่วมจาก harness เดียวพอจะตั้งแชมป์รวมได้; ในข้อมูลที่อ้างได้ GPT 5.5 ทำ Terminal Bench 2.0 ได้ 82.7% ส่วน Claude Opus 4.7 ทำ SWE Bench Pro ได้ 64.3% แต่ตัวเลขหลังมาจากแหล่งรวบรวมที่อ้าง AWS [27][4].

ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?

ยังไม่มีคะแนนร่วมจาก harness เดียวพอจะตั้งแชมป์รวมได้; ในข้อมูลที่อ้างได้ GPT 5.5 ทำ Terminal Bench 2.0 ได้ 82.7% ส่วน Claude Opus 4.7 ทำ SWE Bench Pro ได้ 64.3% แต่ตัวเลขหลังมาจากแหล่งรวบรวมที่อ้าง AWS [27][4]. งาน screenshot, document understanding และ computer use Claude Opus 4.7 มีหลักฐานทางการชัดที่สุด: Anthropic ระบุ gains สำหรับ vision heavy workflows และพิกัด 1:1 ขณะที่ launch page อ้างผล XBOW visual acuity 98.5% [1][5].

ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ?

DeepSeek V4 Pro มี model card ที่ให้คะแนนความรู้และคณิตศาสตร์ครบอย่าง GPQA, GSM8K, MMLU Pro และ HLE ส่วน Kimi K2.6 เด่นในฐานะตัวเลือก multimodal agent บน Cloudflare Workers AI [64][36].

ฉันควรสำรวจหัวข้อที่เกี่ยวข้องใดต่อไป

ดำเนินการต่อด้วย "Claude Opus 4.7 เทียบ GPT-5.5, DeepSeek V4 และ Kimi K2.6: อ่านเบนช์มาร์กปี 2026 แบบไม่หลงตัวเลข" เพื่อดูอีกมุมหนึ่งและการอ้างอิงเพิ่มเติม

เปิดหน้าที่เกี่ยวข้อง

ฉันควรเปรียบเทียบสิ่งนี้กับอะไร?

ตรวจสอบคำตอบนี้กับ "DeepSeek V4: 1M context, MoE และเช็กลิสต์ย้าย API สำหรับนักพัฒนา"

เปิดหน้าที่เกี่ยวข้อง

ทำการวิจัยต่อ

Comparativa de benchmarks 2026 entre Claude Opus 4.7, GPT-5.5, DeepSeek V4 y Kimi K2.6

Claude Opus 4.7 เทียบ GPT-5.5, DeepSeek V4 และ Kimi K2.6: อ่านเบนช์มาร์กปี 2026 แบบไม่หลงตัวเลข

Claude Opus 4.7 vs GPT-5.5 vs DeepSeek V4 vs Kimi K2.6: สรุปเบนช์มาร์กปี 2026 และคำตัดสิน

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: 1M context, MoE และเช็กลิสต์ย้าย API สำหรับนักพัฒนา

DeepSeek V4 ไม่ใช่แค่โมเดล 1M context

木材市場與需求彈性概念的編輯插圖

โจทย์ความยืดหยุ่น Northwest vs. Southeast Timber: ทำไมคำตอบคือ larger; larger

Northwest กับ Southeast Timber: ทำไมแทนกันได้มากขึ้นแล้วต้องตอบ 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 จะโค่น OpenAI, Claude, Gemini และ Grok ได้ไหม? เกมจริงอยู่ที่ต้นทุนและความไว้วางใจ

DeepSeek จะโค่น OpenAI, Claude, Gemini และ Grok ได้ไหม? เกมจริงอยู่ที่ต้นทุนและความไว้วางใจ

การสนทนาการวิจัย

คุณ

คำถามวิจัย

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 แหล่งที่มา

อ้างถึงคำตอบ

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。

แหล่งที่มา

  • [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