GPT-5.5 vs Claude Opus 4.7 vs Kimi K2.6 vs DeepSeek V4: кто лидирует в бенчмаркахСравнение бенчмарков показывает не одного абсолютного лидера, а разные сильные стороны моделей.
AI พรอมต์
Create a landscape editorial hero image for this Studio Global article: GPT-5.5 vs Claude Opus 4.7 vs Kimi K2.6 vs DeepSeek V4: кто лидирует в бенчмарках. Article summary: Единого победителя нет: GPT 5.5 ведёт в ARC AGI 2 с 85% против 75,8% у Claude и в Terminal Bench 2.0 с 82,7%, а Claude Opus 4.7 сильнее в HLE и SWE Bench Pro; вывод ограничен тем, что источники сравнивают разные режим.... Topic tags: ai, llm benchmarks, openai, anthropic, claude. Reference image context from search candidates: Reference image 1: visual subject "[Kimi K2 vs Claude Opus 4.7 vs GPT 5.5 Comparison](https://www.youtube.com/watch?v=M90iB4hpenI). . [](https://www.youtube.com" source context "Kimi K2 vs Claude Opus 4.7 vs GPT 5.5 Comparison - YouTube" Reference image 2: visual subject "[Kimi K2 vs Claude Opus 4.7 vs GPT 5.5 Comparison](https://www.youtube.
openai.com
ถ้าจะหาว่า GPT-5.5, Claude Opus 4.7, Kimi K2.6 และ DeepSeek V4 ใครเป็นแชมป์เบนช์มาร์กแบบเด็ดขาด คำตอบคือยังสรุปแบบนั้นไม่ได้ เพราะแหล่งข้อมูลใช้คนละชุดทดสอบ คนละโหมดของโมเดล และหลายตารางไม่ได้มีครบทั้ง 4 รุ่น แต่ภาพรวมสำหรับคนเลือกใช้งานค่อนข้างชัด: GPT-5.5 ดูแข็งใน ARC และงานเอเจนต์ที่ทำผ่านเทอร์มินัล, Claude Opus 4.7 เด่นใน HLE และ SWE-Bench Pro, Kimi K2.6 เป็นตัวเลือก coding/agentic ที่น่าสนใจโดยเฉพาะสาย open-weight ส่วน DeepSeek V4 มักไม่ใช่ผู้นำคะแนนสูงสุดในชุดข้อมูลเหล่านี้ แต่ได้เปรียบเรื่องราคา API อย่างชัดเจน
Studio Global AI
ทำการวิจัยต่อ
หน้านี้รวมคำตอบที่ได้รับการสนับสนุนจากแหล่งที่มาซึ่งคุณสามารถดำเนินการต่อภายใน Studio Global
Claude Opus 4.7 เด่นเมื่องานต้องใช้ reasoning หนักหรือการตรวจโค้ดเชิงลึก: VentureBeat ให้ Claude นำ GPT-5.5 และ DeepSeek ใน Humanity’s Last Exam ทั้งแบบไม่ใช้เครื่องมือและแบบเปิดใช้เครื่องมือ ส่วน DataCamp ให้ Claude ได้ 64.3% ใน SWE-Bench Pro เทียบกับ 58.6% ของ GPT-5.5 และ 55.4% ของ DeepSeek V4 Pro
Kimi K2.6 ยังมีข้อมูลเทียบตรงกับทุกคู่ไม่มากเท่า GPT และ Claude แต่ตัวเลขที่มีถือว่าสู้ได้: Artificial Analysis ให้ Kimi 54 เทียบกับ GPT-5.5 medium ที่ 57 และ Claude Opus 4.7 non-reasoning high ที่ 52; AkitaOnRails ให้ Kimi 87 ใน coding benchmark
ในสไลซ์นี้ GPT-5.5 สูงกว่า Kimi และโหมด Claude ที่ถูกนำมาเทียบ; ไม่มี DeepSeek V4 ในข้อมูลที่ให้มา
Humanity’s Last Exam ไม่ใช้เครื่องมือ, VentureBeat
41.4%
46.9%
—
37.7%
Claude นำในแถวพื้นฐานที่แสดง
Humanity’s Last Exam เปิดใช้เครื่องมือ, VentureBeat
52.2%; GPT-5.5 Pro 57.2%
54.7%
—
48.2%
Claude สูงกว่า GPT-5.5 แถวพื้นฐาน แต่ GPT-5.5 Pro สูงกว่า Claude
Terminal-Bench 2.0, VentureBeat
82.7%
69.4%
—
67.9%
เป็นหนึ่งในแถวที่ GPT-5.5 ทิ้งห่างชัดที่สุด
SWE-Bench Pro, DataCamp
58.6%
64.3%
—
55.4%, DeepSeek V4 Pro
Claude สูงกว่า GPT-5.5 และ DeepSeek V4 Pro
SWE-Bench Verified, Verdent
—
87.6%
80.2%
—
Claude สูงกว่า Kimi ในมุม coding นี้
Coding benchmark, AkitaOnRails
96, GPT-5.5 xHigh/Codex
97
87
78, V4 Flash; 69, V4 Pro
Claude และ GPT-5.5 ใกล้กันมาก; Kimi สูงกว่า DeepSeek V4 ทั้งสองแถว
ทำไมยังไม่ควรประกาศแชมป์รวม
จุดยากไม่ใช่ตัวเลขน้อยเกินไป แต่เป็นตัวเลขที่มาจากคนละเงื่อนไข ตัวอย่างเช่น Artificial Analysis เทียบ GPT-5.5 medium, Kimi K2.6 และ Claude Opus 4.7 non-reasoning high; AkitaOnRails ใช้ GPT-5.5 xHigh/Codex และแยก DeepSeek V4 เป็น Flash กับ Pro; ส่วน VentureBeat ยังแยก GPT-5.5 และ GPT-5.5 Pro ออกเป็นคนละแถว
แม้เทียบเฉพาะ GPT-5.5 กับ Claude Opus 4.7 ภาพก็ยังไม่ใช่เกมขาด LLM Stats ระบุว่าใน 10 เบนช์มาร์กที่ทั้งสองผู้ให้บริการรายงาน Claude Opus 4.7 นำ 6 รายการ ส่วน GPT-5.5 นำ 4 รายการ โดยจุดแข็งของ Claude กระจุกอยู่ที่งาน reasoning-heavy และ review-grade ขณะที่ GPT-5.5 เด่นในงาน long-running tool-use และ shell-driven tasks
GPT-5.5 เด่นตรงไหน
สัญญาณที่ชัดที่สุดของ GPT-5.5 อยู่ที่ ARC และ Terminal-Bench ใน ARC-AGI-2 โมเดลนี้ได้ 85% เทียบกับ 75.8% ของ Claude Opus 4.7 และใน ARC-AGI-1 ได้ 95% เทียบกับ 93.5% ของ Claude ส่วน Terminal-Bench 2.0 ให้ GPT-5.5 ที่ 82.7% สูงกว่า Claude Opus 4.7 ที่ 69.4% และ DeepSeek ที่ 67.9% อย่างเห็นได้ชัด
Artificial Analysis ก็ให้ GPT-5.5 medium สูงกว่าสองคู่แข่งที่อยู่ในสไลซ์เดียวกัน: 57 เทียบกับ 54 ของ Kimi K2.6 และ 52 ของ Claude Opus 4.7 non-reasoning high อย่างไรก็ตาม นี่ไม่ใช่ตารางสรุปทุกโหมดของทุกโมเดล เพราะ LLM Stats แสดงอีกด้านว่า Claude Opus 4.7 ชนะ GPT-5.5 ในบางชุดทดสอบด้าน reasoning และ software engineering
Claude Opus 4.7 เด่นตรงไหน
Claude Opus 4.7 ดูแข็งเป็นพิเศษในงานที่ต้องใช้ reasoning หนักและการตรวจซอฟต์แวร์เชิงลึก ใน Humanity’s Last Exam แบบไม่ใช้เครื่องมือ VentureBeat ให้ Claude 46.9%, GPT-5.5 41.4% และ DeepSeek 37.7%; เมื่อเปิดใช้เครื่องมือ Claude ได้ 54.7%, GPT-5.5 ได้ 52.2% และ DeepSeek ได้ 48.2%
ด้าน coding ระดับแก้ปัญหาซอฟต์แวร์จริง DataCamp ให้ Claude Opus 4.7 ได้ 64.3% ใน SWE-Bench Pro เทียบกับ 58.6% ของ GPT-5.5 และ 55.4% ของ DeepSeek V4 Pro ภาพนี้สอดคล้องกับ LLM Stats ที่ระบุว่า Claude นำ GPT-5.5 ใน GPQA, HLE แบบไม่ใช้เครื่องมือ, HLE แบบใช้เครื่องมือ, SWE-Bench Pro, MCP Atlas และ FinanceAgent v1.1
Kimi K2.6 ควรถูกอ่านอย่างไร
Kimi K2.6 ยังจัดเข้าตารางเดียวกับ GPT-5.5, Claude Opus 4.7 และ DeepSeek V4 แบบครบทุกสนามได้ยาก เพราะไม่ได้ปรากฏในทุกแหล่งข้อมูลเดียวกัน ใน Artificial Analysis รุ่นนี้ได้ 54 ต่ำกว่า GPT-5.5 medium ที่ 57 แต่สูงกว่า Claude Opus 4.7 non-reasoning high ที่ 52
ใน coding benchmark ของ AkitaOnRails Kimi K2.6 ได้ 87 ต่ำกว่า Claude Opus 4.7 ที่ 97 และ GPT-5.5 xHigh/Codex ที่ 96 แต่สูงกว่า DeepSeek V4 Flash ที่ 78 และ DeepSeek V4 Pro ที่ 69 ส่วน Verdent ให้ตัวเลข SWE-Bench Verified ของ Kimi K2.6 ที่ 80.2% เทียบกับ 87.6% ของ Claude Opus 4.7
จุดต่างสำคัญของ Kimi คือเส้นทาง open-weight Verdent ระบุว่า weights ของ K2.6 อยู่บน Hugging Face และรันได้ผ่าน vLLM, SGLang หรือ KTransformers โดยคอนฟิกขั้นต่ำที่พอใช้งานได้สำหรับรุ่น INT4 เมื่อย่อ context คือ 4× H100 README บน Hugging Face ยังระบุเมตริกด้าน agentic ของ Kimi K2.6 เช่น HLE-Full แบบใช้เครื่องมือ 54.0, BrowseComp 83.2, DeepSearchQA f1-score 92.5, Toolathlon 50.0 และ MCPMark 55.9 แต่ตารางนั้นเทียบ Kimi เป็นหลักกับ GPT-5.4, Claude Opus 4.6 และ Gemini 3.1 Pro ไม่ใช่ชุดโมเดลครบทั้ง 4 รุ่นในบทความนี้
DeepSeek V4: คะแนนไม่สุด แต่ราคาน่าคิด
ในข้อมูลชุดนี้ DeepSeek V4 มักดูเป็นโมเดลสาย value มากกว่าผู้นำคะแนนดิบ VentureBeat ให้ DeepSeek ต่ำกว่า GPT-5.5 และ Claude Opus 4.7 ใน HLE ทั้งแบบไม่ใช้เครื่องมือและแบบใช้เครื่องมือ รวมถึง Terminal-Bench 2.0 DataCamp ให้ DeepSeek V4 Pro ได้ 55.4% ใน SWE-Bench Pro เทียบกับ 58.6% ของ GPT-5.5 และ 64.3% ของ Claude Opus 4.7 ขณะที่ AkitaOnRails ให้ DeepSeek V4 Flash 78 และ DeepSeek V4 Pro 69 ต่ำกว่า Kimi K2.6, GPT-5.5 xHigh/Codex และ Claude Opus 4.7 ในตารางเดียวกัน
ARC, visual reasoning และโจทย์จับแพตเทิร์นเชิงนามธรรม: เริ่มจาก GPT-5.5 เพราะในข้อมูล DocsBot โมเดลนี้สูงกว่า Claude Opus 4.7 ทั้ง ARC-AGI-2 และ ARC-AGI-1
Hard reasoning และงานสไตล์ Humanity’s Last Exam: เริ่มจาก Claude Opus 4.7 ถ้าเทียบแถวพื้นฐาน แต่ควรจำไว้ว่าใน VentureBeat แถว GPT-5.5 Pro สูงกว่า Claude เมื่อเปิดใช้เครื่องมือ
SWE-Bench Pro และ software engineering ที่เน้น review: เริ่มจาก Claude Opus 4.7 เพราะทั้ง DataCamp และ LLM Stats ชี้ว่า Claude ได้เปรียบใน SWE-Bench Pro
งาน coding/agentic ที่ต้องการ open-weight หรือ self-hosted: ทดสอบ Kimi K2.6 ถ้าการรันผ่าน Hugging Face, vLLM, SGLang หรือ KTransformers สำคัญกว่าการเรียกใช้ผ่าน API เพียงอย่างเดียว
ถ้ามองเฉพาะเบนช์มาร์ก คู่บนสุดคือ GPT-5.5 กับ Claude Opus 4.7 แต่ทั้งสองเด่นคนละสนาม GPT-5.5 ดูแข็งกว่าใน ARC และ Terminal-Bench ส่วน Claude Opus 4.7 ดูแข็งกว่าใน HLE และ SWE-Bench Pro Kimi K2.6 เป็นตัวเลือก coding/agentic ที่น่าสนใจ โดยเฉพาะเมื่อต้องการเส้นทาง open-weight แต่ข้อมูลเทียบตรงกับทุกโมเดลยังน้อยกว่า ส่วน DeepSeek V4 ในชุดข้อมูลนี้มักตามหลังด้าน raw score แต่ราคา API ทำให้ยังเป็นตัวเลือกสำคัญสำหรับการทดลองแบบ price-performance
DeepSeek V4: Features, Benchmarks, and Comparisons
