Claude Opus 4.7 vs GPT-5.5 vs DeepSeek V4 vs Kimi K2.6: so sánh benchmark 2026

Bảng benchmark đối sánh được, nhưng không nên gộp máy móc

Đừng để một con số dẫn dắt toàn bộ quyết định

Các benchmark này không đo cùng một thứ. SWE-bench tập trung vào khả năng xử lý nhiệm vụ kỹ thuật phần mềm thực tế; Vals AI mô tả đây là benchmark cho việc giải quyết các tác vụ phần mềm trong môi trường production . SWE-bench Pro lại cần tách riêng: paper giới thiệu nó như một biến thể khó hơn đáng kể, nhắm vào các tác vụ kỹ thuật phần mềm dài hơi .

GPQA Diamond hữu ích để nhìn vào reasoning khoa học, nhưng ở nhóm mô hình tuyến đầu, nó không còn tách biệt quá rõ. TNW nhận xét rằng điểm GPQA Diamond của các mô hình như Opus 4.7, GPT-5.4 Pro và Gemini 3.1 Pro đã sát nhau đến mức chênh lệch nằm trong nhiễu đo lường . Với MMLU còn phải thận trọng hơn: Nanonets cho rằng đến năm 2026, các mô hình hàng đầu đều vượt 88%, khiến benchmark này quá bão hòa để phân định tinh tế giữa các mô hình mạnh .

Nguồn của từng con số cũng quan trọng. Một công bố chính thức từ phòng lab, một leaderboard độc lập, một trang tổng hợp và một thảo luận cộng đồng không có trọng lượng như nhau. Ngay cả BenchLM cũng ghi rằng hồ sơ Claude Opus 4.7 đang bị loại khỏi leaderboard công khai vì chưa đủ độ phủ benchmark công khai không do máy sinh ra để xếp hạng an toàn .

Claude Opus 4.7: trường hợp mạnh nhất cho coding và agent

Claude Opus 4.7 là mô hình có nền tảng bằng chứng công khai tốt nhất trong nhóm này. Anthropic cho biết Opus 4.7 đồng hạng điểm tổng thể cao nhất trong benchmark research-agent nội bộ với 0,715, đồng thời có hiệu năng long-context ổn định nhất trong các mô hình được họ đánh giá . Vì đây là benchmark nội bộ, không nên xem nó như kiểm định độc lập; nhưng nó vẫn là tín hiệu chính thức về hướng tối ưu của mô hình: làm việc nhiều bước, xử lý ngữ cảnh dài và tác vụ dạng agent.

Ở phía nguồn ngoài, SWE-bench là tín hiệu rõ nhất. Vals AI xếp Claude Opus 4.7 đứng đầu với 82,00% trên trang cập nhật ngày 24/4/2026 . Vellum báo 87,6% trên SWE-bench Verified và 64,3% trên SWE-bench Pro . LMCouncil lại ghi 83,5% ± 1,7 cho Claude Opus 4.7 trên SWE-bench Verified .

Cách đọc đúng không phải là chọn một con số rồi bỏ qua các số còn lại. Hợp lý hơn là nói Claude xuất hiện ở nhóm dẫn đầu, hoặc dẫn đầu, trong nhiều nguồn về software engineering; đồng thời ghi rõ SWE-bench, SWE-bench Verified và SWE-bench Pro không phải cùng một bài kiểm tra và có thể khác nhau vì phương pháp, ngày cập nhật, tập con hoặc cấu hình .

Về reasoning khoa học, Claude Opus 4.7 được O-Mega, Vellum và TNW ghi 94,2% trên GPQA Diamond . Tuy nhiên, chính TNW cũng cảnh báo GPQA đã rất nén ở nhóm mô hình frontier, nên không nên dùng riêng GPQA để tuyên bố người thắng tuyệt đối .

GPT-5.5: reasoning rất mạnh, nhưng dấu vết chính thức ít hơn

GPT-5.5 nổi bật trong nhóm số liệu reasoning thu được. O-Mega báo 92,4% trên MMLU, 93,6% trên GPQA Diamond, 85,0% trên ARC-AGI-2 và 95,0% trên ARC-AGI-1 . Vellum cũng liệt kê GPT-5.5 ở mức 93,6% GPQA Diamond, thấp hơn Claude Opus 4.7 trong bảng cụ thể đó . BenchLM đặt GPT-5.5 vào nhóm cao, với 89/100 trên leaderboard tạm thời và hạng 2/16 trên leaderboard đã xác minh .

Điểm cần dè chừng là khả năng truy vết. Trong bộ nguồn dùng cho so sánh này, GPT-5.5 xuất hiện qua bài viết, trang tổng hợp và benchmark page; chưa có một benchmark card chính thức của OpenAI với bộ số liệu đối sánh đầy đủ tương tự nguồn Anthropic dành cho Claude Opus 4.7. Appwrite mô tả việc GPT-5.5 ra mắt ngày 24/4/2026, còn Vals liệt kê openai/gpt-5.5 với ngày phát hành 23/4/2026 và Vals Index 67,76% ± 1,79; nhưng các nguồn này không thay thế được một benchmark card chính thức .

Vì vậy, trong một báo cáo điều hành, GPT-5.5 nên được đặt là đối thủ hàng đầu về reasoning tổng quát, đặc biệt nhờ GPQA và ARC-AGI. Nhưng nếu tiêu chí là bằng chứng công khai đồng nhất giữa mọi mô hình, chưa nên gọi GPT-5.5 là mô hình thắng toàn cục .

DeepSeek V4 / V4 Pro: đáng chú ý, nhưng phải tách biến thể

DeepSeek là trường hợp dễ gây lẫn nhất. Các nguồn đang dùng luân phiên DeepSeek V4, DeepSeek V4 Pro và DeepSeek V4 Pro High; vì vậy không nên tự động lấy điểm của một biến thể rồi gán cho biến thể khác .

Hugging Face có một thảo luận cộng đồng cho DeepSeek-V4-Pro, bổ sung kết quả đánh giá ở GPQA, GSM8K, HLE, MMLU-Pro, SWE-bench Pro, SWE-bench Verified và Terminal-Bench 2.0 . BenchLM báo DeepSeek V4 Pro High đạt 83,8/100 ở mục Agentic, 88,8/100 ở mục Coding và 72,1/100 ở mục Knowledge . NxCode cho rằng DeepSeek V4 đạt 81% trên SWE-bench và 97% ở Needle-in-a-Haystack tại ngữ cảnh 1 triệu token, nhưng cũng khiến người đọc phải hiểu con số 97% như kết quả cần kiểm chứng độc lập .

Redreamality đưa thêm tín hiệu tích cực cho coding thuần: LiveCodeBench 93,5 và Codeforces 3206 cho DeepSeek V4 . Tuy vậy, cùng nguồn này cũng tóm tắt rằng với công việc agentic dài hơi như SWE-bench Pro và Terminal-Bench 2.0, các mô hình frontier đóng vẫn đang dẫn trước .

Cách dùng thực tế: DeepSeek V4/V4 Pro xứng đáng được thử nội bộ, nhất là khi đội kỹ thuật muốn tự đo trên workload của mình. Nhưng với bộ nguồn hiện có, DeepSeek chưa đạt độ chắc công khai ngang Claude trong SWE-bench và tín hiệu research-agent từ Anthropic .

Kimi K2.6: có tín hiệu, chưa đủ để xếp hạng ngang hàng

Kimi K2.6 không nên bị loại khỏi cuộc thảo luận, nhưng cũng không nên được trình bày như thể có độ phủ benchmark tương đương ba mô hình còn lại. LLM Stats liệt kê Kimi K2.6 với 0,91 trên GPQA, còn WhatLLM đưa Kimi K2.6 vào top 10 mô hình theo Quality Index . Các tín hiệu này cho thấy mô hình đã xuất hiện trong hệ sinh thái benchmark, nhưng chưa đủ để so sánh toàn diện với Claude Opus 4.7, GPT-5.5 và DeepSeek V4/V4 Pro.

Cũng cần tránh thay thế âm thầm Kimi K2.6 bằng Kimi K2.5. Simon Willison ghi nhận vào tháng 2/2026 một kết quả Kimi K2.5 trên SWE-bench Verified, nhưng đó là phiên bản khác của mô hình . Với một bảng so sánh nghiêm túc, Kimi K2.6 nên được ghi là thiếu bằng chứng hoặc đang chờ xác thực đa benchmark.

Khuyến nghị theo tình huống sử dụng

Cách trình bày mà không hứa quá đà

Nếu cần đưa vào slide hoặc báo cáo, nên tách phần hiệu năng và phần chất lượng bằng chứng. Một slide có thể là ranking theo tình huống sử dụng; slide thứ hai là bảng điểm; slide thứ ba là ghi chú phương pháp.

Thông điệp chính nên ngắn gọn: Claude Opus 4.7 là mô hình có bằng chứng tốt nhất cho coding và agent; GPT-5.5 là đối thủ rất mạnh ở reasoning tổng quát; DeepSeek V4/V4 Pro là lựa chọn kỹ thuật đáng thử nhưng cần benchmark nội bộ; Kimi K2.6 hiện chưa đủ dữ liệu đối sánh.

Ba cảnh báo phương pháp nên đi kèm mọi bảng xếp hạng. Thứ nhất, không trộn SWE-bench, SWE-bench Verified và SWE-bench Pro như cùng một bài test, vì SWE-bench Pro được thiết kế cho các tác vụ kỹ thuật phần mềm dài hơi và khó hơn . Thứ hai, không ra quyết định chỉ dựa vào MMLU, vì nhóm mô hình hàng đầu đã tụ lại trên mốc 88% . Thứ ba, mỗi con số nên được gắn nhãn nguồn: chính thức, leaderboard, trang tổng hợp, cộng đồng hay claim từ bài phân tích.

Kết luận

Nếu mục tiêu là chọn mô hình cho một báo cáo có thể bảo vệ trước đội kỹ thuật hoặc ban điều hành, Claude Opus 4.7 nên đứng đầu nhờ kết hợp giữa nguồn chính thức, vị trí dẫn đầu trên Vals SWE-bench và các kết quả mạnh ở biến thể SWE-bench do bên thứ ba báo cáo . GPT-5.5 nên được trình bày như đối thủ hàng đầu về reasoning, nhưng cần ghi rõ rằng các điểm thu được chủ yếu là từ nguồn thứ cấp . DeepSeek V4/V4 Pro đáng được thử nội bộ, chưa nên tuyên bố dẫn đầu . Kimi K2.6 hiện nên nằm ở nhóm thiếu dữ liệu cho một so sánh đầy đủ .