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

ตาราง benchmark ที่พอเทียบกันได้

ทำไมไม่ควรดูแค่คะแนนรวม

เบนช์มาร์กแต่ละตัววัดคนละเรื่อง SWE-bench วัดการแก้ปัญหาวิศวกรรมซอฟต์แวร์จากงานจริง และ Vals AI อธิบายว่าเป็น benchmark สำหรับแก้ production software engineering tasks ส่วน SWE-bench Pro ต้องแยกออกมาอ่านต่างหาก เพราะ paper ระบุว่าเป็น benchmark ที่ยากกว่าอย่างมีนัยสำคัญและเน้นงานซอฟต์แวร์ระยะยาว

GPQA Diamond มีประโยชน์กับการวัด reasoning เชิงวิทยาศาสตร์ แต่ในกลุ่มโมเดล frontier คะแนนเริ่มเบียดกันมาก TNW ระบุว่าใน GPQA Diamond โมเดลอย่าง Opus 4.7, GPT-5.4 Pro และ Gemini 3.1 Pro อยู่ใกล้กันจนความต่างเข้าข่าย noise ของการวัด ส่วน MMLU ต้องระวังยิ่งกว่าเดิม เพราะ Nanonets ระบุว่าในปี 2026 โมเดลระดับบนทำคะแนนเกิน 88% กันแล้ว จึงแยกผู้นำออกจากกันได้ไม่ละเอียดนัก

ที่สำคัญคือที่มาของตัวเลขไม่เท่ากัน แหล่งทางการจากผู้พัฒนา, leaderboard อิสระ, aggregator และ discussion ของชุมชนมีน้ำหนักไม่เท่ากัน BenchLM ยังระบุเองว่าโปรไฟล์ Claude Opus 4.7 ถูกกันออกจาก public leaderboard ของตน เพราะยังขาด coverage สาธารณะที่ไม่ใช่ generated เพียงพอสำหรับจัดอันดับอย่างปลอดภัย นี่เป็นตัวอย่างที่ดีว่า leaderboard แต่ละแห่งมีเกณฑ์และจุดแข็งไม่เหมือนกัน

Claude Opus 4.7: เคสที่แน่นที่สุดใน coding และงานแบบเอเจนต์

Claude Opus 4.7 เป็นโมเดลที่มีฐานหลักฐานสาธารณะแข็งที่สุดในชุดนี้ แหล่งสำคัญมาจาก Anthropic ซึ่งระบุว่า Opus 4.7 ทำคะแนนรวมเท่ากับอันดับสูงสุดใน benchmark ภายในแบบ research-agent ที่ 0.715 และมี long-context performance สม่ำเสมอที่สุดในกลุ่มโมเดลที่บริษัททดสอบ เนื่องจากเป็นการทดสอบภายใน จึงไม่ควรอ่านเท่ากับ benchmark อิสระ แต่ถือเป็นสัญญาณทางการว่าโมเดลนี้ถูกดันไปทางงานหลายขั้นตอน

สัญญาณภายนอกที่ชัดที่สุดอยู่ในสาย software engineering Vals AI จัด Claude Opus 4.7 เป็นอันดับหนึ่งใน SWE-bench ด้วยคะแนน 82.00% ในหน้าที่อัปเดตวันที่ 24 เมษายน 2026 Vellum รายงาน 87.6% บน SWE-bench Verified และ 64.3% บน SWE-bench Pro ขณะที่ LMCouncil ให้ 83.5% ± 1.7 ใน SWE-bench Verified

ดังนั้นข้อสรุปที่รอบคอบไม่ใช่การเลือกตัวเลขเดียวแล้วตัดตัวเลขอื่นทิ้ง แต่ควรพูดว่า Claude อยู่ในกลุ่มนำหรือเป็นผู้นำในหลายแหล่งข้อมูลด้าน software engineering โดยต้องจำไว้ว่า SWE-bench, SWE-bench Verified และ SWE-bench Pro ไม่ใช่ชุดทดสอบเดียวกัน และอาจต่างกันตามวิธีรัน วันที่ ชุดย่อย หรือ configuration

ในด้าน reasoning วิทยาศาสตร์ Claude Opus 4.7 ได้ 94.2% ใน GPQA Diamond ตาม O-Mega, Vellum และ TNW แต่ TNW เตือนว่าคะแนน GPQA ของโมเดล frontier อยู่ใกล้กันมาก จึงไม่ควรใช้ GPQA เพียงตัวเดียวเพื่อตัดสินผู้ชนะโดยรวม

GPT-5.5: reasoning แข็งมาก แต่หลักฐานทางการที่พบยังน้อยกว่า

GPT-5.5 โดดเด่นในชุดข้อมูล reasoning ที่มีอยู่ O-Mega รายงาน MMLU 92.4%, GPQA Diamond 93.6%, ARC-AGI-2 85.0% และ ARC-AGI-1 95.0% Vellum ก็ระบุ GPT-5.5 ที่ 93.6% ใน GPQA Diamond ซึ่งต่ำกว่า Claude Opus 4.7 ในตารางเดียวกัน BenchLM จัด GPT-5.5 เป็นโมเดลระดับสูง โดยให้ 89/100 ใน provisional leaderboard และอันดับ 2 จาก 16 ใน verified leaderboard

ข้อควรระวังคือ traceability หรือการไล่กลับไปยังแหล่งทางการ ในชุดข้อมูลที่ใช้สำหรับบทความนี้ GPT-5.5 ปรากฏในบทความ, aggregator และหน้า benchmark หลายแห่ง แต่ไม่พบ benchmark card ทางการของ OpenAI ที่ให้ชุดตัวเลขครบและเทียบตรงกับวัสดุทางการของ Anthropic สำหรับ Claude Opus 4.7 Appwrite ระบุว่า GPT-5.5 เปิดตัววันที่ 24 เมษายน 2026 ส่วน Vals ระบุ openai/gpt-5.5 มี release date วันที่ 23 เมษายน 2026 และมี Vals Index 67.76% ± 1.79 แต่ทั้งสองแหล่งยังไม่ใช่ benchmark card ทางการจาก OpenAI

ถ้าต้องสรุปในระดับผู้บริหาร GPT-5.5 ควรถูกวางเป็นคู่แข่งชั้นนำด้าน reasoning โดยเฉพาะจาก GPQA และ ARC-AGI แต่ไม่ควรประกาศเป็นผู้ชนะรวม หากเกณฑ์คือหลักฐานสาธารณะที่มีความหนาแน่นและเทียบตรงกันทุกโมเดล

DeepSeek V4 / V4 Pro: น่าลองจริง แต่ต้องแยกเวอร์ชันให้ชัด

DeepSeek เป็นกรณีที่ต้องระวังชื่อเวอร์ชันมากที่สุด แหล่งข้อมูลที่พบสลับไปมาระหว่าง DeepSeek V4, DeepSeek V4 Pro และ DeepSeek V4 Pro High ดังนั้นไม่ควรเอาคะแนนของเวอร์ชันหนึ่งไปอ้างแทนอีกเวอร์ชันแบบอัตโนมัติ

Hugging Face มี discussion ชุมชนของ DeepSeek-V4-Pro ที่เพิ่มผลประเมินใน GPQA, GSM8K, HLE, MMLU-Pro, SWE-bench Pro, SWE-bench Verified และ Terminal-Bench 2.0 BenchLM รายงาน DeepSeek V4 Pro High ที่ 83.8/100 ในหมวด Agentic, 88.8/100 ในหมวด Coding และ 72.1/100 ในหมวด Knowledge ส่วน NxCode ระบุว่า DeepSeek V4 ทำได้ 81% ใน SWE-bench และ 97% ใน Needle-in-a-Haystack ที่ 1 ล้านโทเคน แต่แหล่งข้อมูลเดียวกันก็วางเงื่อนไขว่า 97% นี้ควรผ่านการทดสอบอิสระก่อนจึงจะอ่านเป็นข้อสรุปแรงได้

Redreamality ให้สัญญาณบวกอีกด้านสำหรับ coding ล้วน โดยรายงาน LiveCodeBench 93.5 และ Codeforces 3206 สำหรับ DeepSeek V4 แต่แหล่งเดียวกันก็สรุปว่าในงาน agentic ระยะยาว เช่น SWE-bench Pro และ Terminal-Bench 2.0 กลุ่ม closed frontier models ยังเป็นผู้นำ

อ่านในเชิงปฏิบัติ DeepSeek V4/V4 Pro สมควรถูกนำไปทดลองภายใน โดยเฉพาะถ้าทีมให้ความสำคัญกับการควบคุมเชิงเทคนิค ต้นทุน ecosystem แบบเปิด หรือการทดสอบ deployment ที่ควบคุมเอง แต่จากหลักฐานชุดนี้ ยังไม่แข็งเท่ากรณี Claude ใน SWE-bench และ benchmark ภายในที่ Anthropic เปิดเผย

Kimi K2.6: มีสัญญาณ แต่ยังไม่พอสำหรับการเทียบเต็มรูปแบบ

Kimi K2.6 ไม่ควรถูกตัดออกจากการสนทนา แต่ก็ไม่ควรถูกนำไปวางเหมือนมีหลักฐานครบเท่าอีกสามโมเดล LLM Stats ระบุ Kimi K2.6 ที่ 0.91 ใน GPQA และ WhatLLM นำ Kimi K2.6 เข้า top 10 ของโมเดลตาม Quality Index สัญญาณเหล่านี้บอกว่ามีการ benchmark อยู่บ้าง แต่ยังไม่พอสำหรับการเปรียบเทียบหลายมิติอย่าง SWE-bench, GPQA, ARC-AGI, long context และ agentic work

อีกจุดที่ต้องหลีกเลี่ยงคือการแทนที่ Kimi K2.6 ด้วย Kimi K2.5 แบบเงียบ ๆ Simon Willison บันทึกผลของ Kimi K2.5 ใน SWE-bench Verified เมื่อเดือนกุมภาพันธ์ 2026 แต่ข้อมูลนั้นเป็นของโมเดลอีกเวอร์ชันหนึ่ง ถ้าต้องนำเสนออย่างเข้มงวด Kimi K2.6 ควรถูกติดป้ายว่า evidence insufficient หรือรอการยืนยันจาก benchmark หลายชุด

จัดอันดับตามกรณีใช้งาน

ถ้าจะทำสไลด์เสนอ ควรเล่าแบบไหน

วิธีนำเสนอที่ปลอดภัยคือแยก performance ออกจากคุณภาพของหลักฐาน อย่าใส่คะแนนทั้งหมดลงในกราฟเดียวแล้วประกาศผู้ชนะรวม เพราะจะทำให้ benchmark ที่ต่างกันและแหล่งข้อมูลที่ต่างน้ำหนักถูกบีบให้เหมือนกันเกินจริง

ชุดสไลด์ที่ดีควรมีสามหน้า หน้าแรกเป็น ranking ตามกรณีใช้งาน เช่น coding, reasoning, agentic และ long context หน้าที่สองเป็นตารางตัวเลขพร้อม citation หน้าที่สามเป็นข้อจำกัดของวิธีวัด โดยข้อความหลักควรชัดเจนว่า Claude Opus 4.7 คือผู้นำที่มีหลักฐานแน่นที่สุดใน coding และ agentic work, GPT-5.5 คือคู่แข่งที่แข็งมากใน reasoning, DeepSeek V4/V4 Pro คือตัวเลือกเทคนิคที่น่าทดลองแต่ต้อง validation เอง และ Kimi K2.6 ยังต้องรอข้อมูลเพิ่ม

ข้อควรเตือนในสไลด์ควรมีอย่างน้อยสามข้อ หนึ่ง อย่าเอา SWE-bench, SWE-bench Verified และ SWE-bench Pro มาปนเป็นการทดสอบเดียว เพราะ SWE-bench Pro ถูกออกแบบให้ยากกว่าและเน้นงาน software engineering ระยะยาว สอง อย่าตัดสินด้วย MMLU เป็นหลัก เพราะโมเดลบนสุดในปี 2026 ทำคะแนนเกาะกลุ่มสูงเกิน 88% แล้ว สาม ทุกตัวเลขควรติดป้ายแหล่งที่มา เช่น ทางการ, leaderboard, aggregator, community หรือ claim

บทสรุป

ถ้าเป้าหมายคือเลือกโมเดลสำหรับรายงานหรือ presentation ที่ต้องป้องกันคำถามได้ Claude Opus 4.7 ควรวางไว้เป็นอันดับแรกในสาย coding และ agentic เพราะมีทั้งแหล่งทางการจาก Anthropic, ตำแหน่งนำใน Vals SWE-bench และผลแข็งใน SWE-bench หลายรูปแบบจากบุคคลที่สาม

GPT-5.5 ควรถูกวางเป็นคู่แข่งระดับบนสุดใน reasoning โดยมีตัวเลข GPQA, MMLU และ ARC-AGI ที่แข็งมาก แต่ต้องระบุให้ชัดว่าหลักฐานที่พบส่วนใหญ่ยังเป็นแหล่งรองหรือ aggregator DeepSeek V4/V4 Pro ควรถูกนำไปทดสอบภายใน ไม่ใช่ประกาศเป็นผู้นำจากข้อมูลชุดนี้ ส่วน Kimi K2.6 ณ ตอนนี้ควรระบุว่า evidence ยังไม่พอสำหรับการเทียบแบบครบถ้วน