DeepSeek V4、Kimi K2.6、Claude Opus 4.7、GPT-5.5：谁赢了哪些基准？

先说结论：这四个模型不能只看一张排行榜。更稳妥的做法，是先区分官方数据和第三方整理。GPT-5.5 有 OpenAI 官方给出的 Terminal-Bench 2.0 与 SWE-Bench Pro 成绩；DeepSeek V4 的官方资料主要确认 V4-Pro 与 V4-Flash 已接入 API 。至于 Claude Opus 4.7 和 Kimi K2.6，本文引用的直接对比数字主要来自第三方分析，因此要当作参考，而不是最终裁判 。

一句话选型：先看你要解决什么问题

• **代码修复、真实 GitHub issue、编码代理：**现有 SWE-Bench、SWE-Bench Verified 和 CursorBench 数据更偏向 Claude Opus 4.7 。
• **终端代理、Shell 工作流、工具调用编排：**GPT-5.5 的公开证据最完整，OpenAI 官方称其在 Terminal-Bench 2.0 上达到 82.7% 。
• **预算敏感的大量代码代理任务：**Kimi K2.6 值得测试。CodeRouter 称其为成本/质量优胜候选，价格为每百万 token 输入 0.60 美元、输出 4.00 美元 。
• **DeepSeek V4：**DeepSeek 官方确认 V4-Pro 与 V4-Flash 可通过 API 使用，但在本文所用资料中，还没有一张官方的四方基准对照表能证明它相对 Kimi K2.6、Claude Opus 4.7 和 GPT-5.5 的具体胜负 。

这些数据到底说明了什么

OpenAI 将 Terminal-Bench 2.0 描述为测试复杂命令行工作流的基准，重点包括规划、迭代和工具协调；GPT-5.5 在该基准上达到 82.7% 。在 SWE-Bench Pro 上，OpenAI 称 GPT-5.5 达到 58.6%；该基准关注真实 GitHub issue 的解决能力 。

DeepSeek 的官方变更日志则说明，V4-Pro 和 V4-Flash 已可通过 OpenAI ChatCompletions 接口与 Anthropic 接口使用；模型参数分别是 deepseek-v4-pro 和 deepseek-v4-flash 。这证明了可用性，但不等于证明它在某个基准上领先。

Claude Opus 4.7 与 Kimi K2.6 的直接对比要更谨慎：LushBinary 给出了 Claude 与 GPT-5.5 的多项对照数值，CodeRouter 则给出了 Kimi K2.6、DeepSeek V4 的价格与定位信息 。

可比数据表：哪些有数字，哪些还没有

下表中的“暂无可比数据”表示：在本文使用的资料中，没有找到足够可靠、可直接横向比较的该模型成绩。

基准 / 指标	DeepSeek V4	Kimi K2.6	Claude Opus 4.7	GPT-5.5
SWE-Bench Pro	暂无可比数据	CodeRouter 称与 GPT-5.5 同级	64.3%	58.6%
SWE-Bench Verified	暂无可比数据	暂无可比数据	87.6%	约 85%
Terminal-Bench 2.0	暂无可比数据	暂无可比数据	约 72%	82.7%
GDPval / 知识工作	暂无可比数据	暂无可比数据	约 78%	84.9%
OSWorld-Verified / 计算机使用	暂无可比数据	暂无可比数据	约 65%	78.7%
GPQA Diamond	暂无可比数据	暂无可比数据	94.2%	约 93%
CursorBench	暂无可比数据	暂无可比数据	70%	约 65%
Tau2-bench Telecom	暂无可比数据	暂无可比数据	约 90%	98.0%
Vision & Document Arena	暂无可比数据	暂无可比数据	Arena 报告称排名第 1	暂无可比数据
价格 / 上下文提示	V4 Flash：每百万 token 输入 0.14 美元、输出 0.28 美元，1M 上下文	每百万 token 输入 0.60 美元、输出 4.00 美元	暂无可比数据	暂无可比数据

编码能力：Claude Opus 4.7 更像当前强项，Kimi K2.6 是性价比变量

如果你的核心任务是改代码、修 bug、处理真实仓库里的 issue，现有引用数据最支持 Claude Opus 4.7。LushBinary 给出的 SWE-Bench Pro 数据中，Claude Opus 4.7 为 64.3%，高于 GPT-5.5 的 58.6%；其中 GPT-5.5 的 58.6% 也由 OpenAI 官方发布确认 。在 SWE-Bench Verified 和 CursorBench 上，LushBinary 同样把 Claude Opus 4.7 列在 GPT-5.5 前面 。

Kimi K2.6 的吸引力不完全来自“绝对第一”，而是来自成本结构。CodeRouter 称 Kimi K2.6 在 SWE-Bench Pro 上达到 GPT-5.5 水平，同时 token 价格更低 。这对需要大量 agent run、反复生成草稿、频繁重试的团队很关键：单位任务的成功率固然重要，但“每个可接受结果的总成本”也同样重要。

至于 DeepSeek V4，本文所用的官方 DeepSeek 资料只能确认 V4-Pro 与 V4-Flash 已可通过 API 使用，不能据此推出它在编码基准上的具体成绩 。

终端代理与 computer-use：GPT-5.5 的公开证据最硬

如果你的任务不是单次问答，而是让模型在终端里规划步骤、执行命令、读取结果、再继续调整，GPT-5.5 是目前证据最清楚的起点。OpenAI 称 GPT-5.5 在 Terminal-Bench 2.0 上达到 82.7%，并说明该基准考察复杂命令行工作流中的规划、迭代和工具协调 。作为对照，LushBinary 将 Claude Opus 4.7 在同一基准上的成绩列为约 72% 。

同一第三方资料还显示，在知识工作和计算机使用相关指标上，GPT-5.5 也更靠前：GDPval 为 84.9%，Claude Opus 4.7 约 78%；OSWorld-Verified 为 78.7%，Claude Opus 4.7 约 65% 。因此，涉及 Shell 命令、工具链编排、接近 GUI 操作的任务时，GPT-5.5 更适合作为第一轮评测对象。

视觉与文档：Claude Opus 4.7 有最明确的正面信号

视觉和文档处理方面，本文所用资料没有完整的四方对照表。最明确的信号来自 Claude Opus 4.7：Latent Space/AINews 引用的 Arena 报告称，Claude Opus 4.7 在 Vision & Document Arena 中排名第 1 。

LLM Stats 还报道称，Claude Opus 4.7 可处理长边最高 2,576 像素、约 3.75 百万像素的图像；同一来源称 GPT-5.5 支持图像输入，并给出 MMMU-Pro 无工具 81.2%、使用工具 83.2% 的数据 。这些信息有助于判断 Claude 与 GPT-5.5 的视觉能力差异，但仍不能替代 Kimi K2.6、DeepSeek V4 一起参与的同条件四方评测。

价格与吞吐：Kimi K2.6、DeepSeek V4 Flash 都值得纳入自测

价格层面，Kimi K2.6 的公开叙事最清晰。CodeRouter 将它描述为成本/质量优胜候选，并列出每百万 token 输入 0.60 美元、输出 4.00 美元的价格 。

DeepSeek V4 Flash 则被同一来源列为更低价的 workhorse 选项：每百万 token 输入 0.14 美元、输出 0.28 美元，并支持 1M 上下文 。DeepSeek 官方文档也确认，V4-Pro 和 V4-Flash 已可通过当前 API 接口使用 。

但要注意，便宜不等于基准领先。便宜模型适合扩大尝试次数、承担低风险任务、做批量草稿；真正上线时，还要看它能否稳定给出正确结果，以及是否会带来额外人工返工成本。

如何公平测试这四个模型

如果是生产决策，不建议只凭公开榜单拍板。更好的方法是从自己的业务里抽取一小组真实任务：例如仓库中的 bug 修复、内部文档问答、命令行自动化流程、表格或图像解析任务。然后同时记录：一次通过率、每个可接受结果的成本、重试次数、错误严重程度、运行时间和人工校验成本。

还要把数据来源分层看待。GPT-5.5 在本文中有 OpenAI 官方的 Terminal-Bench 2.0 与 SWE-Bench Pro 数据 。DeepSeek V4 有官方 API 可用性说明 。Claude Opus 4.7 和 Kimi K2.6 的关键横向比较，则主要来自第三方资料 。这三类证据的权重不应相同。

结论：没有万能冠军，只有更适合的起点

现有资料无法证明 DeepSeek V4、Kimi K2.6、Claude Opus 4.7 和 GPT-5.5 中有一个“通吃所有场景”的冠军。更合理的判断是：Claude Opus 4.7 在引用的编码相关数据中更强；GPT-5.5 在终端代理和 computer-use 类基准上证据最充分；Kimi K2.6 的看点是价格与质量之间的平衡；DeepSeek V4 则是一个已经可通过 API 调用、但仍需要用真实任务进一步评估的候选 。