Benchmark GPT-5.5 vs Claude Opus 4.7 vs DeepSeek V4 vs Kimi K2.6

อ่าน benchmark ให้เหมือนแผนที่ ไม่ใช่ตารางแชมป์

ถ้าจะเลือกโมเดล AI ในปี 2026 คำถามที่ใช้ได้จริงไม่ใช่ โมเดลไหนเก่งที่สุด แต่คือ โมเดลไหนเก่งกับงานที่เราจะให้ทำที่สุด ข้อมูลที่มีอยู่ชี้ไปในทิศทางเดียวกันว่าไม่มีผู้ชนะเบ็ดเสร็จ: Claude Opus 4.7 เด่นใน reasoning แบบไม่ใช้เครื่องมือและ SWE-Bench Pro; GPT-5.5 Pro เด่นในงานใช้ tool และ browsing; GPT-5.5 มีสัญญาณแข็งที่สุดบนงาน terminal; DeepSeek V4 น่าจับตาเรื่องต้นทุนต่อประสิทธิภาพแต่ต้องคุมความเสี่ยง hallucination; ส่วน Kimi K2.6 มีคะแนนบางรายการที่ดี แต่ยังไม่มีเมทริกซ์เทียบครบชุดเดียวกับคู่แข่งทั้งหมด

ตาราง benchmark หลัก

เครื่องหมาย — หมายถึงแหล่งข้อมูลที่อ้างอิงไม่ได้ให้ตัวเลขเทียบตรงใน benchmark เดียวกัน ไม่ได้แปลว่าคะแนนเป็นศูนย์

Benchmark	GPT-5.5	GPT-5.5 Pro	Claude Opus 4.7	DeepSeek-V4-Pro-Max	Kimi K2.6	ผู้นำในข้อมูลชุดนี้
GPQA Diamond	93.6%	—	94.2%	90.1%	— ในตารางตรง; LLM Stats ระบุ GPQA 0.91	Claude Opus 4.7
Humanity’s Last Exam, ไม่ใช้ tool	41.4%	43.1%	46.9%	37.7%	—	Claude Opus 4.7
Humanity’s Last Exam, ใช้ tool	52.2%	57.2%	54.7%	48.2%	—	GPT-5.5 Pro
Terminal-Bench 2.0	82.7%	—	69.4%	67.9%	—	GPT-5.5
SWE-Bench Pro / SWE Pro	58.6%	—	64.3%	55.4%	LLM Stats ระบุ 0.59	Claude Opus 4.7
BrowseComp	84.4%	90.1%	79.3%	83.4%	DocsBot ระบุ 83.2%	GPT-5.5 Pro ในตาราง VentureBeat
MCP Atlas / MCPAtlas Public	75.3%	—	79.1%	73.6%	—	Claude Opus 4.7

ภาพรวมจากตารางนี้คือไม่ควรประกาศว่าโมเดลใดชนะทุกด้าน Claude Opus 4.7 นำหลายรายการด้าน reasoning และ software engineering ในข้อมูลเทียบตรง ส่วน GPT-5.5 Pro นำเมื่อโจทย์เปิดให้ใช้เครื่องมือหรือท่องเว็บ และ GPT-5.5 นำใน Terminal-Bench 2.0 ขณะที่ข้อมูลของ Kimi K2.6 มาจากแหล่งแยกอย่าง LLM Stats และ DocsBot จึงควรอ่านเป็นสัญญาณประกอบ ไม่ใช่การจัดอันดับแบบเดียวกันทั้งกระดาน

Reasoning ยาก: Claude Opus 4.7 นำอยู่เล็กน้อยแต่ชัดเจน

ในตารางเปรียบเทียบของ VentureBeat, Claude Opus 4.7 ทำคะแนน GPQA Diamond ได้ 94.2% สูงกว่า GPT-5.5 ที่ 93.6% และ DeepSeek-V4-Pro-Max ที่ 90.1% ช่องว่างระหว่าง Claude กับ GPT-5.5 ไม่ได้ห่างมาก แต่ Claude เป็นตัวนำในแถวนี้ของข้อมูลชุดดังกล่าว

Claude Opus 4.7 ยังนำ Humanity’s Last Exam แบบไม่ใช้เครื่องมือที่ 46.9% เทียบกับ GPT-5.5 Pro ที่ 43.1%, GPT-5.5 ที่ 41.4% และ DeepSeek-V4-Pro-Max ที่ 37.7% ดังนั้นถ้างานหลักคือคำถามความรู้ยาก reasoning เชิงวิทยาศาสตร์ หรือโจทย์ที่ไม่อนุญาตให้เรียก tool ข้อมูลชุดนี้เอนมาทาง Claude Opus 4.7

สำหรับ Kimi K2.6, LLM Stats ระบุคะแนน GPQA ไว้ที่ 0.91 ขณะที่ Claude Opus 4.7 และ GPT-5.5 อยู่ที่ 0.94 แบบปัดเศษใน leaderboard เดียวกัน แต่ตัวเลขนี้ไม่ใช่ตาราง GPQA Diamond ชุดเดียวกับ VentureBeat จึงควรใช้เป็นข้อมูลประกอบมากกว่าหลักฐานเทียบหัวต่อหัวแบบเด็ดขาด

Tool use และ web browsing: GPT-5.5 Pro เด่นที่สุด

เมื่อ benchmark อนุญาตให้ใช้เครื่องมือ อันดับเปลี่ยนทันที บน Humanity’s Last Exam แบบมี tool, GPT-5.5 Pro ได้ 57.2% สูงกว่า Claude Opus 4.7 ที่ 54.7%, GPT-5.5 ที่ 52.2% และ DeepSeek-V4-Pro-Max ที่ 48.2%

BrowseComp ก็เอนไปทาง GPT-5.5 Pro เช่นกันในตารางของ VentureBeat: GPT-5.5 Pro ได้ 90.1%, GPT-5.5 ได้ 84.4%, DeepSeek-V4-Pro-Max ได้ 83.4% และ Claude Opus 4.7 ได้ 79.3% DocsBot ระบุ Kimi K2.6 ที่ 83.2% บน BrowseComp แต่ข้อมูลนี้มาจากหน้าที่เทียบ Kimi K2.6 กับ DeepSeek-V4 Pro แยกต่างหาก ไม่ใช่เมทริกซ์เดียวกับ VentureBeat

ถ้างานของคุณพึ่งพาการค้นเว็บ อ่านหน้าเว็บหลายแหล่ง หรือประสาน tool หลายตัว GPT-5.5 Pro คือชื่อที่โดดเด่นที่สุดในข้อมูลที่อ้างอิงชุดนี้

Terminal และ agentic CLI: GPT-5.5 ได้เปรียบชัด

Terminal-Bench 2.0 สำคัญกับงานแบบ agent ที่ต้องลงมือในสภาพแวดล้อม shell ไม่ใช่แค่ตอบคำถามเป็นข้อความ benchmark นี้ถูกอธิบายว่าใช้วัดความสามารถในการทำ workflow CLI จริง เช่น จัดการไฟล์ รันสคริปต์ debug และประสานเครื่องมือต่าง ๆ

ในตาราง VentureBeat, GPT-5.5 ได้ 82.7% บน Terminal-Bench 2.0 สูงกว่า Claude Opus 4.7 ที่ 69.4% และ DeepSeek-V4-Pro-Max ที่ 67.9% หาก use case คือ agent ที่รันคำสั่ง แก้บั๊กผ่าน terminal อัตโนมัติ หรือทำงานหลายขั้นตอนใน repo นี่คือจุดแข็งที่ชัดที่สุดของ GPT-5.5 ในข้อมูลปัจจุบัน

Software engineering: Claude Opus 4.7 นำใน SWE-Bench Pro

SWE-Bench Pro เป็นสัญญาณสำคัญสำหรับงานวิศวกรรมซอฟต์แวร์ที่ซับซ้อน LLM Stats อธิบายว่าเป็นเวอร์ชันที่ยากขึ้นของ SWE-Bench ใช้ประเมินงาน software engineering ในโลกจริงที่ต้อง reasoning ต่อเนื่องและแก้ปัญหาหลายขั้นตอน

ในตาราง VentureBeat, Claude Opus 4.7 ได้ 64.3% บน SWE-Bench Pro / SWE Pro สูงกว่า GPT-5.5 ที่ 58.6% และ DeepSeek-V4-Pro-Max ที่ 55.4% LLM Stats ก็ระบุ Claude Opus 4.7 ที่ 0.64, GPT-5.5 ที่ 0.59, Kimi K2.6 ที่ 0.59 และ DeepSeek-V4-Pro-Max ที่ 0.55 บน SWE-Bench Pro

แม้สองแหล่งจะนำเสนอคะแนนคนละรูปแบบ แต่สัญญาณหลักตรงกัน: Claude Opus 4.7 นำใน SWE-Bench Pro ส่วน GPT-5.5 กับ Kimi K2.6 อยู่ใกล้กันในตาราง LLM Stats และ DeepSeek-V4-Pro-Max อยู่ต่ำกว่าในตัวเลขที่อ้างอิง

DeepSeek V4: น่าสนใจเรื่องต้นทุน แต่ต้องวางการ์ดเรื่อง hallucination

DeepSeek-V4-Pro-Max ไม่ได้นำแถวใดในตารางเปรียบเทียบตรงของ VentureBeat โดยได้ 90.1% บน GPQA Diamond, 37.7% บน Humanity’s Last Exam แบบไม่ใช้ tool, 48.2% แบบมี tool, 67.9% บน Terminal-Bench 2.0, 55.4% บน SWE-Bench Pro, 83.4% บน BrowseComp และ 73.6% บน MCP Atlas

จุดขายของ DeepSeek V4 อยู่ที่ประสิทธิภาพต่อราคา VentureBeat อธิบายว่า DeepSeek-V4 ใกล้ระดับ state-of-the-art ด้วยต้นทุนราว 1/6 เมื่อเทียบกับ Opus 4.7 และ GPT-5.5 แต่อีกด้านหนึ่ง Artificial Analysis ระบุว่า DeepSeek V4 Pro Max ได้ -10 บน AA-Omniscience ดีขึ้น 11 คะแนนจาก V3.2 Reasoning ที่ -21 และระบุว่า V4 Pro กับ V4 Flash มีอัตรา hallucination สูงมากที่ 94% และ 96% ตามลำดับ

ไม่ควรสรุปเกินข้อมูลว่า DeepSeek V4 ต้องเชื่อถือน้อยที่สุดในทุกสถานการณ์ เพราะแหล่งที่อ้างอิงไม่ได้ให้ตัวชี้วัด hallucination แบบเดียวกันสำหรับ GPT-5.5, Claude Opus 4.7 และ Kimi K2.6 ข้อสรุปที่ปลอดภัยกว่าคือ DeepSeek V4 เหมาะแก่การพิจารณาเมื่อต้นทุนเป็นโจทย์ใหญ่ แต่ควรทดสอบ hallucination กับข้อมูลและ workflow จริงของคุณอย่างจริงจัง

Kimi K2.6: มีสัญญาณดี แต่ยังจัดอันดับรวมได้ยาก

Kimi K2.6 เป็นโมเดลที่จัดอันดับยากที่สุดในการเทียบครั้งนี้ เพราะข้อมูลไม่ได้อยู่ในเมทริกซ์ benchmark เดียวกันครบชุดกับ GPT-5.5, GPT-5.5 Pro, Claude Opus 4.7 และ DeepSeek-V4-Pro-Max

ถึงอย่างนั้น แหล่งอื่นก็ให้สัญญาณที่น่าสนใจ LLM Stats ระบุ Kimi K2.6 ที่ 0.91 บน GPQA และ 0.59 บน SWE-Bench Pro ส่วน DocsBot ระบุ Kimi K2.6 ที่ 96.4% บน AIME 2026 ใน thinking mode, 27.9% บน APEX Agents และ 83.2% บน BrowseComp โดยหน้าเดียวกันระบุ DeepSeek-V4 Pro ที่ 83.4% บน BrowseComp

เพราะคะแนนเหล่านี้มาจากแหล่งและบริบทต่างกัน ข้อสรุปที่เหมาะสมไม่ใช่ว่า Kimi K2.6 ชนะหรือแพ้แบบเบ็ดเสร็จ แต่ควรมองว่าเป็นผู้สมัครที่น่าลอง โดยเฉพาะถ้า benchmark ที่ Kimi ทำได้ดีตรงกับงานจริงของคุณ และคุณสามารถรันชุดทดสอบภายในเองได้

เลือกโมเดลไหนตามงาน

• Reasoning เชิงวิทยาศาสตร์หรือความรู้ยากแบบไม่ใช้ tool: เริ่มจาก Claude Opus 4.7 เพราะนำ GPQA Diamond และ Humanity’s Last Exam แบบไม่ใช้ tool ในตารางเทียบตรง
• งานที่ต้องใช้ tool, web หรือ browsing: ให้ GPT-5.5 Pro เป็นตัวเลือกแรก เพราะนำ Humanity’s Last Exam แบบมี tool และ BrowseComp ในข้อมูลที่อ้างอิง
• Agent ที่ทำงานผ่าน terminal, workflow CLI หรือแก้บั๊กผ่าน shell: GPT-5.5 มีสัญญาณแข็งที่สุด ด้วย 82.7% บน Terminal-Bench 2.0
• Software engineering ซับซ้อน: Claude Opus 4.7 นำ SWE-Bench Pro ทั้งในตาราง VentureBeat และ LLM Stats ขณะที่ GPT-5.5 กับ Kimi K2.6 อยู่ที่ 0.59 ในตาราง LLM Stats
• ต้องคุมต้นทุนต่อประสิทธิภาพ: DeepSeek V4 น่าพิจารณา เพราะถูกอธิบายว่าใกล้ state-of-the-art ด้วยต้นทุนประมาณ 1/6 เมื่อเทียบกับ Opus 4.7 และ GPT-5.5 แต่ต้องมีขั้นตอนตรวจ hallucination
• อยากลอง Kimi K2.6: ใช้คะแนน GPQA, SWE-Bench Pro, AIME 2026, APEX Agents และ BrowseComp เป็นสัญญาณแยก ไม่ใช่หลักฐานว่าเป็นอันดับหนึ่งรวมทุกด้าน

ข้อจำกัดที่ควรจำก่อนตัดสินใจ

ข้อแรก GPT-5.5 Pro มีตัวเลขเพียงบางแถวในตาราง VentureBeat จึงไม่ควรสมมติว่าเวอร์ชัน Pro จะนำหรือแพ้ในทุก benchmark ที่ไม่ได้รายงาน

ข้อสอง ข้อมูลของ Kimi K2.6 ส่วนใหญ่มาจาก LLM Stats และ DocsBot ไม่ใช่ตารางเทียบครบชุดเดียวกับ GPT-5.5, GPT-5.5 Pro, Claude Opus 4.7 และ DeepSeek-V4-Pro-Max

ข้อสาม OpenAI มี system card สำหรับ GPT-5.5 ซึ่งระบุว่า CoT-Control มีงานมากกว่า 13,000 งานที่สร้างจาก benchmark อย่าง GPQA, MMLU-Pro, HLE, BFCL และ SWE-Bench Verified ข้อมูลนี้มีประโยชน์ต่อการเข้าใจกรอบการประเมิน GPT-5.5 แต่แหล่งที่อ้างอิงไม่ได้ให้ผล CoT-Control ที่เทียบกันได้สำหรับ Claude Opus 4.7, DeepSeek V4 และ Kimi K2.6 จึงไม่ควรใช้เป็นตารางจัดอันดับข้ามโมเดล

สรุปให้สั้นที่สุด: Claude Opus 4.7 เหมาะสุดในข้อมูลนี้สำหรับ reasoning ยากและ SWE-Bench Pro; GPT-5.5 Pro เด่นสุดเมื่อใช้ tool และ browsing; GPT-5.5 แข็งที่สุดในงาน terminal; DeepSeek V4 น่าดูเมื่อต้นทุนสำคัญ; ส่วน Kimi K2.6 มีสัญญาณดีแต่ยังขาดเมทริกซ์เทียบตรงที่ครบถ้วน