ศึกชิงบัลลังก์ AI: Claude Opus 4.8 ปะทะ GPT-5.5 ปะทะ Gemini 3.5 Flash — ใครเก่งจริงด้านไหน?

* คะแนน SWE-Bench Pro สำหรับ Gemini 3.5 Flash, Grok 4.3 และ DeepSeek V4 Pro มาจากผลทดสอบของบุคคลที่สามเพียงรายเดียว — ข้อมูลจาก Google เองแสดงผลต่างออกไป (ดูหมายเหตุด้านล่าง)

ราคาและประสิทธิภาพ

ใครเป็นจ้าวในด้านใด?

• Claude Opus 4.8 คือผู้นำด้าน การเขียนโค้ดแบบ Agentic (SWE-Bench Pro), งานด้านความรู้ (GDPval-AA) ด้วยคะแนน 1890, การควบคุมคอมพิวเตอร์ (OSWorld) ที่ 83.4%, การให้เหตุผลข้ามสาขา (Humanity's Last Exam) และ การวิเคราะห์ทางการเงิน โมเดลนี้อยู่อันดับ 2 โดยรวมบนลีดเดอร์บอร์ดชั่วคราวด้วยคะแนนรวม 93/100
• GPT-5.5 ครองตำแหน่งผู้นำใน การเขียนโค้ดผ่าน Terminal (Terminal-Bench 2.0/2.1) ที่ 78.2–82.7%, ARC-AGI-2 ที่ 85.0% (การให้เหตุผลเชิงภาพนามธรรม), GPQA Diamond ที่ 96.0%, FrontierMath และ ดัชนี AA Intelligence Index ที่ 60
• Gemini 3.5 Flash เป็นหนึ่งใน การใช้เครื่องมือร่วมกัน (MCP Atlas) ที่ 83.6% และมีความเร็วในการสร้างเอาต์พุต เร็วกว่าโมเดลอื่นในกลุ่มนี้ถึงประมาณ 4 เท่า (~289 โทเค็น/วินาที) ในราคาที่ถูกที่สุด
• DeepSeek V4 Pro คือราชาแห่ง การแข่งขันเขียนโปรแกรม ด้วยคะแนน Codeforces ELO 3206 และ LiveCodeBench ที่ 93.5% และยังมีคะแนน SWE-bench Verified สูสีกับ Claude ที่ 80.6% — ในราคาที่ถูกกว่าอย่างมาก
• Grok 4.3 ทำคะแนนได้ในระดับกลาง: AA Index 53, GPQA 90.1%, ความเร็วสูง (159–207 tps) และราคาถูกมาก — แต่ก็ยังตามหลังผู้นำในการทดสอบด้าน Agentic ส่วนใหญ่
• Claude Opus 4.7 คือรุ่นก่อนหน้าโดยตรง — ยังมีคะแนน SWE-bench Verified ที่ยอดเยี่ยม (87.6%) แต่ตอนนี้ถูกโมเดลที่มาแทนที่แซงหน้าในทุกตัวชี้วัดสำคัญ

ข้อควรระวังที่สำคัญ

• แหล่งที่มาของ Benchmark แตกต่างกัน ข้อมูลนี้มาจากหลายผู้ให้บริการ (Anthropic, OpenAI, Google DeepMind, ผู้ทดสอบอิสระ) ซึ่งใช้ชุดทดสอบที่แตกต่างกัน คะแนนของ Benchmark เดียวกันอาจต่างกันในแต่ละแหล่ง ยกตัวอย่างเช่น Terminal-Bench ของ GPT-5.5 แสดงผล 78.2% ในข้อมูลของ Google แต่ได้ 82.7% ในรายงานของ OpenAI เอง)
• SWE-Bench Pro และ SWE-Bench Verified เป็นการทดสอบที่ต่างกัน แบบ Pro ยากกว่า (การเปลี่ยนแปลงสถาปัตยกรรมข้ามไฟล์) ส่วน Verified นั้นง่ายกว่า (การแก้ไขปัญหาเฉพาะจุด) Claude นำในแบบ Pro ส่วนคะแนนใน Verified นั้นสูสีกันกว่ามาก
• DeepSeek, Grok และ Gemini 3.5 Flash มี ราคาต่อโทเค็นที่ถูกกว่า Claude Opus และ GPT-5.5 อย่างมาก ทำให้โมเดลเหล่านี้คุ้มค่ากว่าสำหรับงานที่มีปริมาณสูงหรืองานที่ต้องการความเร็ว
• Gemini 3.5 Flash เป็นโมเดลในระดับที่เน้น "ประสิทธิภาพ" ไม่ใช่โมเดลระดับท็อปสุดโดยตรง — แต่ก็สามารถแข่งขันในหลายการทดสอบด้าน Agentic ได้ดี ในราคาที่ถูกกว่าและทำงานเร็วกว่ามาก

สิ่งที่ยังไม่ชัดเจน

• ไม่มีชุดทดสอบกลางที่เป็นมาตรฐานเดียวกันจากทุกค่าย ที่ทดสอบทั้งหกโมเดลด้วยวิธีการที่เหมือนกันทุกประการ ภาพรวมที่เห็นนี้ประกอบขึ้นจากชุดข้อมูลที่ซ้อนทับกันแต่ไม่เหมือนกันทั้งหมด
• Grok 4.3 และ DeepSeek V4 Pro มี ข้อมูลสาธารณะที่น้อยกว่า ในด้าน Agentic และการทดสอบบริบทยาว เมื่อเทียบกับสามค่ายใหญ่
• Claude Opus 4.8 เพิ่งเปิดตัว (28 พ.ค. 2026) — ข้อมูลจากผู้ทดสอบอิสระยังมีจำกัด คะแนนส่วนใหญ่มาจากรายงานของผู้ให้บริการเอง