GPT-5.5, Claude Opus 4.7, Kimi K2.6 และ DeepSeek V4: เทียบ Benchmark แบบเลือกใช้จริง

• Coding agent ที่ทำงานหนักบนเทอร์มินัล: GPT-5.5 มีคะแนน Terminal-Bench 2.0 สูงสุดในตารางเปรียบเทียบร่วมที่อ้างถึง อยู่ที่ 82.7% .
• งานซ่อมซอฟต์แวร์ตาม Benchmark: Claude Opus 4.7 นำในแถว SWE-Bench Pro ที่ 64.3% และแถว SWE-Bench Verified ที่ 87.6% ในข้อมูลที่อ้างถึง .
• เหตุผลเชิงยากโดยไม่ใช้เครื่องมือ: Claude Opus 4.7 นำใน GPQA Diamond และ Humanity’s Last Exam แบบไม่ใช้เครื่องมือในตารางเปรียบเทียบร่วม .
• เหตุผลเชิงยากแบบใช้เครื่องมือและการค้นเว็บ: GPT-5.5 Pro นำ Humanity’s Last Exam แบบใช้เครื่องมือที่ 57.2% และ BrowseComp ที่ 90.1% ในจุดที่มีการรายงานรุ่น Pro แยก .
• การ deploy แบบ open-weight: Kimi K2.6 เป็นตัวเลือก open-weight ที่ชัดที่สุดในแหล่งอ้างอิง โดยถูกอธิบายว่าเป็นโมเดล MoE ขนาด 1T parameters มี 32B active parameters และ context window 256K .
• Hosted inference ที่ต้องคุมต้นทุน: DeepSeek-V4-Pro-Max เป็นตัวเลือกด้านความคุ้มค่าที่ควรนำไปทดสอบ โดย LLM Stats ระบุ context 1M, คะแนน SWE-Bench Verified 80.6% และ cost columns $1.74/$3.48 .

ตารางเปรียบเทียบ Benchmark

เครื่องหมายขีดหมายถึงไม่พบคะแนนของโมเดลนั้นในแหล่งอ้างอิงที่ใช้ ไม่ได้แปลว่าคะแนนเป็นศูนย์ แถวของ GPT-5.5, GPT-5.5 Pro, Claude Opus 4.7 และ DeepSeek-V4-Pro-Max ส่วนใหญ่มาจากตารางเปรียบเทียบร่วม ส่วนตัวเลขของ Kimi K2.6 มาจากแหล่งข้อมูล Kimi แยกต่างหาก .

ควรเริ่มทดสอบจากรุ่นไหน

อ่านแต่ละโมเดลแบบใช้งานจริง

GPT-5.5

OpenAI อธิบาย GPT-5.5 ว่าสร้างมาเพื่องานซับซ้อน เช่น coding, research และ data analysis . ในตารางเปรียบเทียบร่วมของ VentureBeat, GPT-5.5 ทำคะแนน Terminal-Bench 2.0 ได้ 82.7% สูงกว่า Claude Opus 4.7 ที่ 69.4% และ DeepSeek-V4-Pro-Max ที่ 67.9% . ตารางเดียวกันยังรายงาน GPT-5.5 ที่ 93.6% บน GPQA Diamond, 58.6% บน SWE-Bench Pro และ 84.4% บน BrowseComp .

ข้อควรระวังคือ GPT-5.5 Pro เป็นจุดเปรียบเทียบแยก ไม่ควรนำคะแนนไปรวมกับรุ่นฐานแบบเหมารวม ในตารางเดียวกัน GPT-5.5 Pro ทำ BrowseComp ได้ 90.1% และ Humanity’s Last Exam แบบใช้เครื่องมือได้ 57.2% แต่ตัวเลขเหล่านี้ควรแยกจาก GPT-5.5 รุ่นฐานเมื่อนำไปเทียบต้นทุน latency หรือการตั้งค่าโมเดล .

ด้านการจัดซื้อหรือวางงบ BenchLM ระบุ GPT-5.5 มี context window 1M token ส่วนรายงานราคาหนึ่งระบุ GPT-5.5 ที่ $5 ต่อ 1 ล้าน input tokens และ $30 ต่อ 1 ล้าน output tokens . ควรมองราคานี้เป็นสัญญาณเบื้องต้น และตรวจสอบราคาปัจจุบันกับผู้ให้บริการก่อนทำงบจริง.

Claude Opus 4.7

Claude Opus 4.7 มีสัญญาณด้าน software repair แข็งที่สุดในกลุ่มนี้ตามแหล่งอ้างอิง LLM Stats ระบุคะแนน 87.6% บน SWE-Bench Verified และตารางเปรียบเทียบร่วมรายงาน 64.3% บน SWE-Bench Pro . รุ่นนี้ยังนำ GPQA Diamond ที่ 94.2%, Humanity’s Last Exam แบบไม่ใช้เครื่องมือที่ 46.9% และ MCP Atlas ที่ 79.1% ในตารางเปรียบเทียบร่วม .

LLM Stats รายงาน context window 1M token และราคา $5/$25 ต่อ 1 ล้าน token สำหรับ Claude Opus 4.7 . แต่เรื่องความเทียบกันได้ของ Benchmark สำคัญมาก: Anthropic ระบุว่าบางผลทดสอบใช้ internal implementation หรือมีการปรับ harness parameters และบางคะแนนจึงไม่สามารถเทียบตรงกับ public leaderboard ได้ .

Kimi K2.6

Kimi K2.6 เป็นตัวเลือก open-weight ที่เด่นที่สุดในข้อมูลที่อ้างถึง ข่าวเปิดตัวอธิบายว่าเป็น open-weight MoE ขนาด 1T parameters, มี 32B active parameters, 384 experts, native multimodality, INT4 quantization และ context 256K . Model card บน Hugging Face รายงาน 80.2% บน SWE-Bench Verified, 58.6% บน SWE-Bench Pro, 66.7% บน Terminal-Bench 2.0 และ 89.6 บน LiveCodeBench v6 .

แหล่งข่าวเปิดตัวเดียวกันรายงาน Kimi K2.6 ที่ 54.0 บน Humanity’s Last Exam แบบใช้เครื่องมือ และ 83.2 บน BrowseComp . ส่วน LLM Stats ระบุ Kimi K2.6 มี context 262K, cost columns $0.95/$4.00 และติดป้าย Open Source . ข้อจำกัดคือคะแนนของ Kimi ไม่ได้มาจากตารางเปรียบเทียบร่วมชุดเดียวกับ GPT-5.5, Claude Opus 4.7 และ DeepSeek-V4-Pro-Max ดังนั้นส่วนต่างคะแนนที่ห่างกันเล็กน้อยควรใช้เป็นเหตุผลให้ทดสอบต่อ ไม่ใช่ตัดสินผู้ชนะทันที .

DeepSeek-V4-Pro-Max

DeepSeek-V4-Pro-Max ดูเหมือนตัวเลือกสายคุ้มค่ามากกว่าจะเป็นผู้ชนะทุกสนาม LLM Stats ระบุขนาด 1.6T, context 1M, คะแนน SWE-Bench Verified 80.6% และ cost columns $1.74/$3.48 . ในตารางเปรียบเทียบร่วม รุ่นนี้ได้ 90.1% บน GPQA Diamond, 37.7% บน Humanity’s Last Exam แบบไม่ใช้เครื่องมือ, 48.2% บน Humanity’s Last Exam แบบใช้เครื่องมือ, 67.9% บน Terminal-Bench 2.0, 55.4% บน SWE-Bench Pro, 83.4% บน BrowseComp และ 73.6% บน MCP Atlas .

ตัวเลขเหล่านี้ทำให้ DeepSeek-V4-Pro-Max น่าลองสำหรับงานที่ต้นทุนเป็นเงื่อนไขใหญ่ แต่ตารางเดียวกันยังแสดงให้เห็นว่า GPT-5.5, GPT-5.5 Pro หรือ Claude Opus 4.7 นำในแถว Benchmark ส่วนใหญ่ที่รายงาน ดังนั้นก่อนใช้แทนโมเดลพรีเมียมใน production ควรทดสอบกับงานของตัวเองให้ชัดเจน .

สัญญาณเรื่อง context และราคา

ราคาและ context window ไม่ได้มาจากแหล่งเดียวกันเสมอไป และอาจเปลี่ยนตามผู้ให้บริการหรือแพ็กเกจ ควรใช้ตารางนี้เป็นสัญญาณเพื่อคัด shortlist ไม่ใช่ใบเสนอราคาสุดท้าย.

ทำไมอันดับถึงไม่ตรงกันทุกตาราง

Benchmark แต่ละตัววัดคนละทักษะ GPQA Diamond และ Humanity’s Last Exam เน้น reasoning ยาก ส่วน Terminal-Bench 2.0 และตระกูล SWE-Bench เน้น coding และงานซอฟต์แวร์แบบ agentic ขณะที่ BrowseComp วัดความสามารถแนวค้นหา/ท่องเว็บในตารางเปรียบเทียบร่วม . โมเดลหนึ่งจึงอาจชนะบางแถวและตามหลังในอีกแถวได้ เพราะโจทย์ การให้เครื่องมือ และ harness ที่ใช้วัดต่างกัน.

แม้ Benchmark ชื่อเดียวกันก็อาจต่างกันตามวิธีรัน LLM Stats ระบุ Claude Opus 4.7 ที่ 87.6% บน SWE-Bench Verified ขณะที่ LMCouncil ระบุ Claude Opus 4.7 ที่ 83.5% ± 1.7 ภายใต้ setup ของตนเอง . Anthropic เองยังระบุว่าบางผลใช้ internal implementation หรือปรับ harness parameters ทำให้เทียบตรงกับ public leaderboard บางชุดไม่ได้ .

ดังนั้นช่องว่าง 1–2 จุดไม่ควรเป็นเหตุผลเดียวในการเปลี่ยนโมเดลใน production ใช้ public benchmark เพื่อคัดรายชื่อให้สั้นลง แล้วให้การทดสอบกับงานจริงเป็นตัวตัดสิน.

วิธีประเมินก่อนตัดสินใจ

ก่อนเลือกโมเดลเดียว ควรทดสอบผู้เข้ารอบ 2–3 รุ่นกับงานที่ใกล้เคียงของจริงที่สุด.

1. ใช้ prompt, ไฟล์ และ repository จริง เพราะ prompt ใน Benchmark มักไม่สะท้อน codebase เอกสาร นโยบาย หรือพฤติกรรมผู้ใช้ของคุณ.
2. จัด environment ให้เหมือนงานจริง ผลของ coding agent เปลี่ยนได้มากเมื่อมีหรือไม่มี terminal, browsing, retrieval, context ของ repo หรือ internal API.
3. วัดต้นทุนและ latency ด้วย setting เดียวกัน โหมด Pro หรือ effort สูงอาจเพิ่มคุณภาพ แต่ก็อาจเพิ่ม token และเวลาตอบ.
4. ตรวจ failure ด้วยคน งานโค้ดควรดู test, diff, maintainability, security regression และ dependency ที่โมเดลแต่งขึ้น.
5. ใส่ challenger ที่ถูกกว่าหรือเปิดน้ำหนักได้อย่างน้อยหนึ่งตัว ถ้า open weights หรือต้นทุน inference สำคัญ Kimi K2.6 และ DeepSeek-V4-Pro-Max ควรได้อยู่ในชุดทดสอบ .

บทสรุป

ถ้าต้องการ shortlist ระดับบน ให้ทดสอบ GPT-5.5 และ Claude Opus 4.7 คู่กัน: GPT-5.5 มีคะแนน Terminal-Bench 2.0 ที่เด่นที่สุดในข้อมูลที่อ้างถึง ส่วน Claude Opus 4.7 มีคะแนน SWE-Bench Pro และ SWE-Bench Verified ที่แข็งที่สุดในข้อมูลชุดนี้ . ถ้าต้องการ open weights ให้เริ่มจาก Kimi K2.6 . ถ้าข้อจำกัดหลักคือต้นทุน ให้ใส่ DeepSeek-V4-Pro-Max ในการทดสอบด้วย แต่ควรพิสูจน์กับ workload ของตัวเองก่อนถือว่าใช้แทนโมเดลพรีเมียมได้ทันที .