GPT-5.5, Claude Opus 4.7, DeepSeek V4 และ Kimi K2.6: สรุปเบนช์มาร์กแบบระมัดระวัง

สรุปสั้น: เลือกตามงาน ไม่ใช่ตามอันดับเดียว

ถ้าดูเฉพาะข้อมูลที่มีในแหล่งอ้างอิงชุดนี้ ภาพรวมที่ปลอดภัยที่สุดคือ:

• เหตุผลเชิงนามธรรม: GPT-5.5 นำ Claude Opus 4.7 บน ARC-AGI-1 Verified และ ARC-AGI-2 Verified ตามตารางของ OpenAI
• เอเจนต์ที่ต้องเรียกใช้หลายเครื่องมือ: Claude Opus 4.7 นำ GPT-5.5 บน MCP-Atlas ซึ่งเกี่ยวกับความน่าเชื่อถือของการเรียกเครื่องมือใน workflow ซับซ้อน
• การเขียนโค้ดแบบเอเจนต์ในเทอร์มินัล: GPT-5.5 มีคะแนนที่อ้างได้ชัดที่สุดจาก Terminal-Bench 2.0 ที่ 82.7% แต่ยังเทียบครบทั้งสี่โมเดลไม่ได้
• open-weights: DeepSeek V4 และ Kimi K2.6 น่าสนใจมากในกลุ่มโมเดลเปิดน้ำหนัก แต่ข้อมูลที่มียังไม่พอจะจัดอันดับกับ GPT-5.5 และ Claude Opus 4.7 บนเบนช์มาร์กเดียวกัน
• ความปลอดภัยและไซเบอร์: อย่าเอาคะแนนความสามารถไปปนกับข้อสรุปเรื่องความปลอดภัย เพราะสองเรื่องนี้ไม่ได้วัดสิ่งเดียวกัน

ตารางคะแนนที่เทียบกันได้จริง

ช่องว่างในตารางไม่ได้แปลว่า DeepSeek V4 หรือ Kimi K2.6 อ่อนกว่า แต่แปลว่าแหล่งข้อมูลที่มีในชุดนี้ยังไม่ได้ให้คะแนนที่ใช้เปรียบเทียบแบบเดียวกัน ทั้งในแง่ชุดทดสอบ การตั้งค่า และรายละเอียดวิธีประเมิน

ARC-AGI: จุดแข็งของ GPT-5.5 ในข้อมูลที่มี

บน ARC-AGI ซึ่งเป็นชุดทดสอบแนวเหตุผลเชิงนามธรรม GPT-5.5 นำ Claude Opus 4.7 ทั้งสองรายการในตารางเปิดตัวของ OpenAI: 95.0% เทียบกับ 93.5% บน ARC-AGI-1 Verified และ 85.0% เทียบกับ 75.8% บน ARC-AGI-2 Verified

แต่ตัวเลขนี้ไม่ควรถูกอ่านว่า GPT-5.5 “เหนือกว่าเสมอ” ในทุกงาน เพราะเป็นเพียงผลบนชุดทดสอบเฉพาะ และ OpenAI ระบุเองว่าการประเมิน GPT ใช้ reasoning effort ระดับ ‘xhigh’ ในสภาพแวดล้อมวิจัย ซึ่งอาจให้ผลต่างจากการใช้งาน ChatGPT ในระบบจริงบางกรณี

MCP-Atlas: งานหลายเครื่องมือที่ Claude Opus 4.7 นำ

ถ้างานของคุณคือการสร้างเอเจนต์ที่ต้องเรียก API หลายตัว ใช้เครื่องมือภายนอกหลายขั้น หรือเดิน workflow ต่อเนื่อง คะแนน MCP-Atlas น่าสนใจกว่าคะแนนเหตุผลเชิงนามธรรมเพียงอย่างเดียว

แหล่งวิเคราะห์รองรายงานว่า Claude Opus 4.7 ได้ 79.1% บน MCP-Atlas เทียบกับ GPT-5.5 ที่ 75.3% โดยโยงข้อได้เปรียบนี้กับความน่าเชื่อถือของการเรียกใช้เครื่องมือในสถานการณ์ซับซ้อนผ่าน Model Context Protocol หรือ MCP

ดังนั้น หากโจทย์หลักคือเอเจนต์หลายเครื่องมือ ไม่ใช่การตอบคำถามเหตุผลล้วน ๆ Claude Opus 4.7 มีสัญญาณที่ดีกว่าบนเบนช์มาร์กนี้

Agentic coding: GPT-5.5 มีคะแนนเด่น แต่ยังไม่ใช่คำตัดสินสุดท้าย

GPT-5.5 ถูกรายงานว่าได้ 82.7% บน Terminal-Bench 2.0 ซึ่งเกี่ยวข้องกับงานเทอร์มินัลและการเขียนโค้ดแบบเอเจนต์

คะแนนนี้เป็นข้อมูลเชิงตัวเลขที่ใช้ได้ดีที่สุดด้าน coding ในชุดแหล่งอ้างอิงนี้ แต่ข้อจำกัดก็ชัดเจนพอ ๆ กัน: ไม่มีตาราง Terminal-Bench 2.0 ที่ให้คะแนนของ Claude Opus 4.7, DeepSeek V4 และ Kimi K2.6 ครบในเงื่อนไขเดียวกัน

จึงควรสรุปเพียงว่า GPT-5.5 มีสัญญาณที่แข็งแรงที่สุดในข้อมูลที่มี ไม่ใช่ว่าพิสูจน์แล้วว่าชนะทุกโมเดลในงานเขียนโค้ดทุกประเภท

DeepSeek V4 และ Kimi K2.6: สำคัญในโลก open-weights แต่ยังจัดอันดับรวมยาก

DeepSeek V4 และ Kimi K2.6 ควรถูกมองอย่างจริงจังในกลุ่ม open-weights เพราะทั้งสองชื่อปรากฏในสัญญาณจาก Artificial Analysis แต่ปัญหาคือข้อมูลที่ให้มายังไม่ทำให้เราเทียบกับ GPT-5.5 และ Claude Opus 4.7 บน ARC-AGI, MCP-Atlas หรือ Terminal-Bench 2.0 ได้แบบตรงไปตรงมา

สำหรับ DeepSeek นั้น Artificial Analysis ระบุว่าการเปิดตัว DeepSeek V4 ทำให้ DeepSeek กลับมาอยู่ในกลุ่มโมเดล open-weights ชั้นนำอีกครั้ง ตัวเลขที่ชัดที่สุดในแหล่งข้อมูลนี้คือ DeepSeek V4 Pro (Max) ได้ 52 บน Artificial Analysis Intelligence Index เพิ่มจาก 42 ของ DeepSeek V3.2

ส่วน Kimi K2.6 นั้น Artificial Analysis มีบทวิเคราะห์ชื่อ Kimi K2.6: The new leading open weights model ซึ่งเป็นสัญญาณเชิงตำแหน่งที่แรง แต่แหล่งข้อมูลที่ให้มาไม่ได้มีคะแนนละเอียดพอจะนำไปเทียบกับ DeepSeek V4, GPT-5.5 และ Claude Opus 4.7 บนชุดทดสอบเดียวกัน

ความปลอดภัย: ความเก่งกับความไว้ใจได้ไม่ใช่เรื่องเดียวกัน

System card ของ GPT-5.5 อธิบายว่า CoT-Control เป็นชุดประเมินมากกว่า 13,000 งาน สร้างจากเบนช์มาร์กที่เป็นที่รู้จัก เช่น GPQA, MMLU-Pro, HLE, BFCL และ SWE-Bench Verified ข้อมูลนี้ช่วยให้เห็นว่ามีการประเมินการควบคุมกระบวนการให้เหตุผลอย่างไร แต่ไม่ได้เป็นคะแนนเปรียบเทียบระหว่าง GPT-5.5, Claude Opus 4.7, DeepSeek V4 และ Kimi K2.6

อีกแหล่งหนึ่งรายงานว่า GPT-5.5 มีอัตราผ่าน 93% บน cyber range แต่ก็รายงานพร้อมกันว่า red team พบ universal jailbreak ได้ภายใน 6 ชั่วโมง สองประโยคนี้ต้องอ่านคู่กัน: โมเดลอาจทำงานด้านไซเบอร์ได้เก่ง แต่ไม่ได้แปลว่าปลอดภัยโดยรวม

นอกจากนี้ ยังมีคำวิจารณ์จากภายนอกว่าการประเมินความปลอดภัยของ GPT-5.5 ยังพึ่งพาคำชี้แจงของ OpenAI อย่างมาก ทำให้ข้อสรุปจากข้อมูลที่ผู้ให้บริการเผยแพร่เองมีขอบเขตจำกัด

ถ้าต้องเลือกโมเดล ควรเลือกอย่างไร

• ต้องการเหตุผลเชิงนามธรรมที่มีคะแนนรองรับ: GPT-5.5 มีหลักฐานดีกว่า Claude Opus 4.7 บน ARC-AGI ในข้อมูลที่อ้างถึง แต่ต้องคำนึงถึงการตั้งค่า ‘xhigh’ และสภาพแวดล้อมวิจัยของ OpenAI
• ต้องการเอเจนต์หลายเครื่องมือหรือ workflow ที่พึ่ง MCP: Claude Opus 4.7 มีคะแนน MCP-Atlas ดีกว่า GPT-5.5 คือ 79.1% เทียบกับ 75.3%
• ต้องการ coding agent ในเทอร์มินัล: GPT-5.5 มีสัญญาณเชิงตัวเลขชัดที่สุดที่ 82.7% บน Terminal-Bench 2.0 แต่ยังขาดคะแนนเทียบครบทั้งสี่โมเดล
• ต้องการควบคุมการ deploy หรือต้องการโมเดล open-weights: DeepSeek V4 และ Kimi K2.6 น่าทดสอบ แต่ข้อมูลที่มียังไม่พอให้ตัดสินด้วยคะแนนร่วมชุดเดียวกัน
• งานที่มีความเสี่ยงสูงด้านความปลอดภัย: ต้องแยกคะแนนความสามารถ คะแนนไซเบอร์ และการประเมินความปลอดภัยออกจากกัน เพราะแต่ละอย่างตอบคนละคำถาม

สิ่งที่ไม่ควรสรุปเร็วเกินไป

ไม่ควรสรุปว่า GPT-5.5 เป็นโมเดลที่ดีที่สุดในทุกสถานการณ์ เพียงเพราะนำ Claude Opus 4.7 บน ARC-AGI และไม่ควรสรุปว่า Claude Opus 4.7 ดีกว่าโดยรวม เพียงเพราะชนะบน MCP-Atlas เพราะแต่ละเบนช์มาร์กวัดงานคนละแบบ

ไม่ควรนำ DeepSeek V4 และ Kimi K2.6 ไปเรียงอันดับกับ GPT-5.5 และ Claude Opus 4.7 แบบเด็ดขาด หากไม่มีคะแนนจากชุดทดสอบเดียวกัน สัญญาณจาก Artificial Analysis บอกว่าทั้งสองสำคัญในระบบนิเวศ open-weights แต่ยังไม่พอจะสร้างตารางจัดอันดับรวมที่เที่ยงตรง

และไม่ควรแปลงคะแนนความสามารถเป็นหลักประกันความปลอดภัย ข้อมูลของ GPT-5.5 แสดงให้เห็นพอดีว่า performance ด้านไซเบอร์ที่สูงสามารถอยู่ร่วมกับข้อกังวลเรื่อง jailbreak และความเป็นอิสระของการประเมินได้

บทสรุป

คำตอบที่ซื่อสัตย์ที่สุดคือ: GPT-5.5 นำ Claude Opus 4.7 บนคะแนน ARC-AGI ที่มี และมีสัญญาณเชิงตัวเลขเด่นสุดด้าน agentic coding; Claude Opus 4.7 นำบน MCP-Atlas; ส่วน DeepSeek V4 และ Kimi K2.6 เป็นผู้เล่นสำคัญในกลุ่ม open-weights แต่ข้อมูลที่มีในตอนนี้ยังไม่พอจะจัดอันดับเทียบกับสองโมเดลปิดบนเบนช์มาร์กเดียวกันได้อย่างมั่นใจ

สำหรับการตัดสินใจใช้งานจริง วิธีที่ดีกว่าการไล่หาอันดับหนึ่งคือทดสอบโมเดลกับงานของคุณเอง: เหตุผล, การเรียกเครื่องมือ, โค้ด, ต้นทุน, latency, ข้อจำกัดการ deploy และระดับความเสี่ยงที่ยอมรับได้