Claude Opus 4.7, GPT-5.5, DeepSeek V4 và Kimi K2.6: benchmark và cách chọn
Không có quán quân chung: trong bảng cùng nguồn, Claude Opus 4.7 dẫn GPQA Diamond 94,2% và SWE Bench Pro/SWE Pro 64,3%; GPT 5.5/GPT 5.5 Pro dẫn Terminal Bench 2.0 82,7% và BrowseComp 90,1%. DeepSeek V4 Pro Max chưa đứng đầu trong bảng cùng nguồn, nhưng BrowseComp 83,4% khá sát GPT 5.5 84,4%; nguồn tin cho biết DeepS...
Không có quán quân chung: trong bảng cùng nguồn, Claude Opus 4.7 dẫn GPQA Diamond 94,2% và SWE Bench Pro/SWE Pro 64,3%; GPT 5.5/GPT 5.5 Pro dẫn Terminal Bench 2.0 82,7% và BrowseComp 90,1%.
DeepSeek V4 Pro Max chưa đứng đầu trong bảng cùng nguồn, nhưng BrowseComp 83,4% khá sát GPT 5.5 84,4%; nguồn tin cho biết DeepSeek có chi phí khoảng một phần sáu so với các mô hình Mỹ mới nhất, nên đáng thử ở bài toán...
Ở kỹ thuật phần mềm, Claude Opus 4.7 dẫn với SWE Bench Pro/SWE Pro 64,3% và điểm 0,64 trên LLM Stats; Kimi K2.6 đạt 0,59 trên LLM Stats, ngang GPT 5.5 trong cùng bảng đó.[4][24]
Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6 Benchmark：邊個場景最強？AI 生成概念圖：四個前沿模型按 benchmark、成本同場景拆解比較。
Prompt AI
Create a landscape editorial hero image for this Studio Global article: Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6 Benchmark：邊個場景最強？. Article summary: 冇單一總冠軍：Claude Opus 4.7 喺 GPQA Diamond 94.2% 同 SWE Bench Pro 64.3% 領先；GPT 5.5／GPT 5.5 Pro 喺 Terminal Bench 2.0 82.7% 同 BrowseComp 90.1% 領先。Kimi K2.6 缺少完整同場表，所以只能按分散數據放入 shortlist。[4][10][24]. Topic tags: ai, llm, benchmarks, openai, anthropic. Reference image context from search candidates: Reference image 1: visual subject "* 编码与代理任务并非单一结论：VentureBeat 汇总显示 GPT-5.5 在 Terminal-Bench 2.0 为 82.7%，高于 DeepSeek V4 的 67.9% 和 Claude Opus 4.7 的 69.4%。[6]. * 推理评测存在分裂：Humanity’s Last Exam 无工具设置下，Claude Opus 4.7 为" source context "GPT-5.5 vs Claude Opus 4.7 vs DeepSeek V4 vs Kimi K2.6：2026 基准测试研究报告 | Deep Research | Studio Global" Reference image 2: visual subject "A comparison chart highlights the coding benchmark performances and costs of Kimi-K2.
openai.com
Đặt Claude Opus 4.7, GPT-5.5, DeepSeek V4 và Kimi K2.6 vào một bảng xếp hạng duy nhất nghe rất hấp dẫn, nhưng dễ dẫn đến kết luận sai. Cách đọc an toàn hơn là chọn theo tác vụ: mô hình nào hợp suy luận khó, mô hình nào hợp agent dùng trình duyệt hoặc terminal, mô hình nào hợp coding, và mô hình nào có lợi thế chi phí.
Điểm mấu chốt: bộ dữ liệu cùng nguồn đầy đủ nhất hiện bao phủ DeepSeek V4-Pro-Max, GPT-5.5/GPT-5.5 Pro và Claude Opus 4.7; dữ liệu của Kimi K2.6 lại nằm rải rác ở cửa sổ ngữ cảnh, BrowseComp, SWE-Bench Pro, Hugging Face model card và một benchmark coding thực tế đơn lẻ, nên chỉ nên dùng để bổ sung chứ không nên ép vào một bảng tổng sắp tuyệt đối.
Kết luận nhanh: nên thử mô hình nào trước?
Studio Global AI
Tiếp tục nghiên cứu của bạn
Trang này bao gồm câu trả lời dựa trên nguồn mà bạn có thể tiếp tục bên trong Studio Global.
Câu trả lời ngắn gọn cho "Claude Opus 4.7, GPT-5.5, DeepSeek V4 và Kimi K2.6: benchmark và cách chọn" là gì?
Không có quán quân chung: trong bảng cùng nguồn, Claude Opus 4.7 dẫn GPQA Diamond 94,2% và SWE Bench Pro/SWE Pro 64,3%; GPT 5.5/GPT 5.5 Pro dẫn Terminal Bench 2.0 82,7% và BrowseComp 90,1%.
Những điểm chính cần xác nhận đầu tiên là gì?
Không có quán quân chung: trong bảng cùng nguồn, Claude Opus 4.7 dẫn GPQA Diamond 94,2% và SWE Bench Pro/SWE Pro 64,3%; GPT 5.5/GPT 5.5 Pro dẫn Terminal Bench 2.0 82,7% và BrowseComp 90,1%. DeepSeek V4 Pro Max chưa đứng đầu trong bảng cùng nguồn, nhưng BrowseComp 83,4% khá sát GPT 5.5 84,4%; nguồn tin cho biết DeepSeek có chi phí khoảng một phần sáu so với các mô hình Mỹ mới nhất, nên đáng thử ở bài toán...
Tôi nên làm gì tiếp theo trong thực tế?
Ở kỹ thuật phần mềm, Claude Opus 4.7 dẫn với SWE Bench Pro/SWE Pro 64,3% và điểm 0,64 trên LLM Stats; Kimi K2.6 đạt 0,59 trên LLM Stats, ngang GPT 5.5 trong cùng bảng đó.[4][24]
Trong bảng cùng nguồn, Claude Opus 4.7 cao nhất ở GPQA Diamond 94,2% và Humanity’s Last Exam không dùng công cụ 46,9%.
Agent dùng terminal, trình duyệt, tool-use
GPT-5.5 / GPT-5.5 Pro
GPT-5.5 đạt 82,7% trên Terminal-Bench 2.0; GPT-5.5 Pro đạt 90,1% trên BrowseComp, đều là mức cao nhất trong bảng tương ứng.
Kỹ thuật phần mềm
Thử Claude Opus 4.7 trước, sau đó chạy lại với GPT-5.5 và Kimi K2.6
Claude Opus 4.7 đạt 64,3% trên SWE-Bench Pro/SWE Pro trong bảng cùng nguồn; LLM Stats cũng ghi Claude Opus 4.7 ở mức 0,64, cao hơn GPT-5.5 và Kimi K2.6 cùng ở 0,59.
Khối lượng API lớn, nhạy cảm chi phí
DeepSeek V4
DeepSeek V4-Pro-Max chưa đứng đầu các benchmark trong bảng cùng nguồn, nhưng nguồn tin cho biết DeepSeek có chi phí khoảng một phần sáu so với các mô hình Mỹ mới nhất.
Muốn thử hệ sinh thái Kimi hoặc một hướng coding-agent thay thế
Kimi K2.6
Kimi K2.6 đạt BrowseComp 83,2% trên DocsBot và SWE-Bench Pro 0,59 trên LLM Stats; tuy nhiên chưa có bảng cùng nguồn đầy đủ với cả bốn mô hình.
Quy trình cần context rất dài
Claude Opus 4.7 / GPT-5.5 có lợi thế hơn
Yahoo/Tech liệt kê GPT-5.5 và Claude Opus 4.7 có cửa sổ ngữ cảnh 1 triệu token; Artificial Analysis liệt kê Kimi K2.6 là 256k token và Claude Opus 4.7 là 1000k token.
Bảng benchmark cùng nguồn đáng dùng nhất
Các số dưới đây đến từ cùng một bảng so sánh, nên phù hợp để đối chiếu DeepSeek V4-Pro-Max, GPT-5.5/GPT-5.5 Pro và Claude Opus 4.7. Lưu ý: GPT-5.5 Pro chỉ xuất hiện ở một số hạng mục.
Benchmark
DeepSeek V4-Pro-Max
GPT-5.5
GPT-5.5 Pro
Claude Opus 4.7
Dẫn đầu trong bảng
GPQA Diamond
90,1%
93,6%
—
94,2%
Claude Opus 4.7
Humanity’s Last Exam, không dùng công cụ
37,7%
41,4%
43,1%
46,9%
Claude Opus 4.7
Humanity’s Last Exam, có dùng công cụ
48,2%
52,2%
57,2%
54,7%
GPT-5.5 Pro
Terminal-Bench 2.0
67,9%
82,7%
—
69,4%
GPT-5.5
SWE-Bench Pro / SWE Pro
55,4%
58,6%
—
64,3%
Claude Opus 4.7
BrowseComp
83,4%
84,4%
90,1%
79,3%
GPT-5.5 Pro
MCP Atlas / MCPAtlas Public
73,6%
75,3%
—
79,1%
Claude Opus 4.7
Cách đọc bảng khá rõ: Claude Opus 4.7 dẫn ở suy luận khó, giải bài không dùng công cụ, kỹ thuật phần mềm và MCP Atlas; GPT-5.5/GPT-5.5 Pro nổi bật hơn ở terminal, trình duyệt và tác vụ dùng công cụ. DeepSeek V4-Pro-Max không đứng đầu hạng mục nào trong bộ số liệu này, nhưng điểm BrowseComp 83,4% rất gần GPT-5.5 84,4% và cao hơn Claude Opus 4.7 79,3%.
Kimi K2.6: có tín hiệu tốt, nhưng chưa nên xếp chung một bảng tổng
Vấn đề của Kimi K2.6 không phải là thiếu dữ liệu hoàn toàn, mà là dữ liệu nằm ở nhiều nguồn, nhiều chế độ chạy và nhiều nhóm đối chiếu khác nhau. Vì vậy, các con số dưới đây hữu ích để quyết định có nên đưa Kimi vào vòng thử nghiệm hay không, nhưng không nên xem là bảng xếp hạng cùng điều kiện với phần trên.
Chỉ số
Dữ liệu nhìn thấy cho Kimi K2.6
Dữ liệu đối chiếu
Cách hiểu hợp lý
Cửa sổ ngữ cảnh
256k token
Cùng trang so sánh liệt kê Claude Opus 4.7 là 1000k token
Claude có lợi thế rõ về độ dài ngữ cảnh khả dụng.
BrowseComp
83,2% ở Thinking mode
DeepSeek-V4 Pro là 83,4% Pass@1 / Think Max
Trong nguồn này, Kimi và DeepSeek-V4 Pro rất sát nhau, nhưng không đồng thời có GPT-5.5 hoặc Claude Opus 4.7.
AIME 2026 / APEX Agents
AIME 2026 là 96,4%; APEX Agents là 27,9%
DeepSeek-V4 Pro hiển thị not available trên cùng trang
Cho thấy Kimi có tín hiệu ở toán và tác vụ agent, nhưng thiếu đối chiếu đầy đủ cả bốn mô hình.
SWE-Bench Pro
0,59
Claude Opus 4.7 là 0,64; GPT-5.5 là 0,59; DeepSeek V4-Pro-Max là 0,55
Trên LLM Stats, Kimi ngang GPT-5.5, thấp hơn Claude và cao hơn DeepSeek.
MMLU-Pro / SimpleQA-Verified
MMLU-Pro 87,1; SimpleQA-Verified 36,9
DS-V4-Pro Max lần lượt là 87,5 và 57,9
Có thể dùng để bổ sung khi so Kimi với DeepSeek; nhưng cùng bảng này dùng Opus-4.6 Max và GPT-5.4 xHigh, không phải Claude Opus 4.7 và GPT-5.5.
Benchmark coding thực tế
87 điểm
Claude Opus 4.7 là 97; GPT-5.5 xHigh là 96; DeepSeek V4 Flash là 78; DeepSeek V4 Pro là 69
Có giá trị tham khảo, nhưng đây là một bài coding đơn lẻ, không thay thế benchmark chuẩn hóa hoặc đánh giá trên repo của chính bạn.
Vì vậy, vị trí hợp lý của Kimi K2.6 là một ứng viên nên đưa vào shortlist, nhất là khi bạn muốn thử hệ sinh thái Kimi, một tuyến mô hình thay thế hoặc chi phí coding-agent. Nhưng với dữ liệu hiện có, chưa đủ cơ sở để nói Kimi K2.6 là quán quân có thể chứng minh trong nhóm bốn mô hình này.
Giá, context window và chi phí triển khai
Benchmark chỉ trả lời một phần câu hỏi về năng lực. Khi đưa vào sản phẩm, giá token đầu vào/đầu ra, độ dài context, độ trễ, quy mô mô hình và chi phí vận hành mới là những thứ quyết định hóa đơn cuối tháng.
Trong cùng nguồn, output token rẻ hơn GPT-5.5; Artificial Analysis cũng liệt kê Claude là 1000k context trong trang đối chiếu với Kimi.
Kimi K2.6
Context window 256k token
Ngắn hơn mức 1000k token của Claude Opus 4.7 trong nguồn so sánh; các nguồn ở đây chưa cung cấp đủ giá token có thể kiểm chứng.
DeepSeek V4
Nguồn tin cho biết DeepSeek có chi phí khoảng một phần sáu so với các mô hình Mỹ mới nhất; DataCamp liệt kê DeepSeek V4 Pro là mô hình MoE với 1,6 nghìn tỷ tổng tham số, 49 tỷ tham số hoạt động và bản tải 865GB; bản Flash có 284 tỷ tổng tham số, 13 tỷ tham số hoạt động và bản tải 160GB
Nếu chỉ gọi API, điểm hấp dẫn chính là chi phí; nếu tự triển khai hoặc private deployment, cần tính thêm phần cứng, tải mô hình, suy luận và vận hành.
Tín hiệu chi phí quan trọng nhất là: GPT-5.5 và Claude Opus 4.7 đều được liệt kê ở mức 5 USD/1 triệu input token, nhưng GPT-5.5 là 30 USD/1 triệu output token, còn Claude Opus 4.7 là 25 USD/1 triệu output token; DeepSeek bước vào cuộc chơi với câu chuyện chi phí khoảng một phần sáu.
Chọn theo tác vụ: đọc benchmark như thế nào?
1. Suy luận khó: ưu tiên thử Claude Opus 4.7
Nếu bài toán là suy luận học thuật, phân tích nhiều bước, hỏi đáp cần độ tin cậy cao hoặc giải bài không dùng công cụ, Claude Opus 4.7 là lựa chọn đầu tiên hợp lý nhất theo bảng cùng nguồn. Mô hình này đạt 94,2% trên GPQA Diamond, cao hơn GPT-5.5 93,6% và DeepSeek V4-Pro-Max 90,1%; trên Humanity’s Last Exam không dùng công cụ, Claude Opus 4.7 cũng dẫn với 46,9%.
2. Terminal, trình duyệt và tool-use agent: ưu tiên GPT-5.5 / GPT-5.5 Pro
Nếu tác vụ xoay quanh điều khiển terminal, browser agent, gọi công cụ hoặc giải bài có tool hỗ trợ, GPT-5.5 nổi bật hơn. GPT-5.5 đạt 82,7% trên Terminal-Bench 2.0, cao hơn Claude Opus 4.7 69,4% và DeepSeek V4-Pro-Max 67,9%; GPT-5.5 Pro đạt 90,1% trên BrowseComp, cũng là mức cao nhất trong bảng.
3. Kỹ thuật phần mềm: Claude đang dẫn, nhưng vẫn phải chạy lại trên repo của bạn
Trong bảng cùng nguồn, Claude Opus 4.7 đạt 64,3% trên SWE-Bench Pro/SWE Pro, cao hơn GPT-5.5 58,6% và DeepSeek V4-Pro-Max 55,4%. LLM Stats cho hướng xếp hạng tương tự: Claude Opus 4.7 ở mức 0,64, GPT-5.5 và Kimi K2.6 cùng 0,59, DeepSeek V4-Pro-Max 0,55.
Tuy vậy, benchmark coding rất nhạy với repo, ngôn ngữ lập trình, test framework, cấu hình agent và prompt. Một benchmark coding thực tế đơn lẻ ghi Claude Opus 4.7 97 điểm, GPT-5.5 xHigh 96, Kimi K2.6 87, DeepSeek V4 Flash 78 và DeepSeek V4 Pro 69; các số này có ích để tham khảo, nhưng không nên là cơ sở duy nhất cho quyết định production.
4. Chi phí nhạy cảm, gọi API số lượng lớn: DeepSeek V4 đáng thử sớm
Nếu nút thắt là chi phí token, còn bài toán không đòi mô hình phải đứng đầu mọi benchmark, DeepSeek V4 là ứng viên hợp lý. Dữ liệu cùng nguồn cho thấy DeepSeek V4-Pro-Max ở gần nhóm đầu ở một số bài đo nhưng chưa đứng nhất; đồng thời, nguồn tin cho biết DeepSeek có chi phí khoảng một phần sáu so với các mô hình Mỹ mới nhất.
Điểm cần lưu ý là DeepSeek V4 Pro khá lớn: DataCamp liệt kê bản Pro có 1,6 nghìn tỷ tổng tham số, 49 tỷ tham số hoạt động và dung lượng tải 865GB. Nếu không chỉ dùng API bên thứ ba mà còn cân nhắc tự triển khai, chi phí phần cứng, suy luận và vận hành cần được đưa vào cùng một bảng tính.
5. Kimi K2.6: đưa vào shortlist, rồi tự chạy eval
Kimi K2.6 có vài tín hiệu đáng chú ý: DocsBot liệt kê BrowseComp của Kimi K2.6 là 83,2%, rất sát DeepSeek-V4 Pro 83,4% trên cùng trang; LLM Stats ghi Kimi K2.6 đạt 0,59 trên SWE-Bench Pro, ngang GPT-5.5; benchmark coding thực tế cũng ghi Kimi K2.6 đạt 87 điểm.
Nhưng vì chưa có bộ benchmark cùng nguồn, cùng thiết lập và phủ đủ Claude Opus 4.7, GPT-5.5, DeepSeek V4-Pro-Max và Kimi K2.6, cách dùng hợp lý nhất là xem Kimi như ứng viên tiềm năng, không phải nhà vô địch đã được chứng minh.
Vì sao không nên đọc bảng điểm như bảng xếp hạng bóng đá?
Kimi K2.6 thiếu bảng cùng nguồn đầy đủ. Bộ dữ liệu so sánh đầy đủ nhất bao phủ DeepSeek V4-Pro-Max, GPT-5.5/GPT-5.5 Pro và Claude Opus 4.7, nhưng không có Kimi K2.6; dữ liệu của Kimi phải lấy thêm từ DocsBot, Artificial Analysis, LLM Stats, Hugging Face model card và một benchmark coding đơn lẻ.
Tên phiên bản và chế độ chạy không đồng nhất. Các nguồn dùng nhiều nhãn như GPT-5.5 Pro, GPT-5.5 xHigh, DeepSeek-V4 Pro, DeepSeek V4-Pro-Max, Kimi Thinking, Claude Opus 4.7 Adaptive Reasoning/Max Effort. Không nên mặc định tất cả là cùng một cấu hình.
Thang điểm giữa các nền tảng không phải lúc nào cũng cộng trừ trực tiếp được. Ví dụ, bảng cùng nguồn dùng phần trăm cho SWE-Bench Pro/SWE Pro, còn LLM Stats dùng dạng 0,xx cho SWE-Bench Pro; cách chắc hơn là so thứ hạng trong cùng nguồn trước, rồi chạy eval riêng trên tác vụ của bạn.
Dữ liệu giá không đều. GPT-5.5 và Claude Opus 4.7 có số giá input/output token rõ ràng; DeepSeek chủ yếu có thông tin chi phí khoảng một phần sáu; còn Kimi K2.6 trong các nguồn ở đây chưa có đủ giá token để kiểm chứng.
Phán quyết thực dụng
Nếu buộc phải tóm gọn trong một câu: Claude Opus 4.7 thắng nổi bật ở benchmark suy luận khó và kỹ thuật phần mềm; GPT-5.5/GPT-5.5 Pro thắng ở nhiều benchmark tool-use, terminal và browser; DeepSeek V4-Pro-Max là phương án cân bằng giữa chi phí và năng lực; Kimi K2.6 có tiềm năng nhưng cần thêm bằng chứng cùng nguồn, cùng điều kiện.
Khi triển khai thật, đừng chọn chỉ vì một điểm tổng. Hãy lấy chính repo, bug ticket, workflow nghiên cứu, quyền truy cập công cụ, độ dài context, yêu cầu latency, mức chịu lỗi và ngân sách token của bạn để chạy cùng một bộ eval trên cả bốn mô hình. Đến lúc đó, benchmark mới trở thành câu trả lời có ích cho sản phẩm.
