如果只问“谁最强”，GPT-5.5、Claude Opus 4.7、DeepSeek V4 Pro、Kimi K2.6很难给出一个稳妥的单一答案。更实用的问法是：你要让模型做什么？
原因很简单：公开基准往往混合了不同推理档位、不同更新时间、厂商自报和第三方整理结果。把这些数字硬塞进一张总排行榜，容易看起来一目了然，实际却可能误导判断。[4][
18]
本文会把DeepSeek部分主要落在可查到更多数值的DeepSeek V4 Pro（Reasoning, Max Effort）上。Artificial Analysis的开放模型表中，Kimi K2.6与DeepSeek V4 Pro同时给出了Intelligence、上下文长度、价格列和输出速度等指标，便于做同口径参考。[23]
先说结论：按用途选第一候选
| 使用场景 | 优先候选 | 为什么 |
|---|---|---|
| 综合性能、经济价值任务 | GPT-5.5 | GPT-5.5 high在Artificial Analysis Intelligence Index中为59；GPT-5.5 xhigh在GDPval-AA中被报告为Elo 1785。[ |
| 深度推理、专业审阅、复杂判断 | Claude Opus 4.7 | LLM Stats整理的10个共同基准中，Claude Opus 4.7领先6项，GPT-5.5领先4项。[ |
| 终端操作、浏览器任务、长时间工具调用 | GPT-5.5 | LLM Stats认为GPT-5.5在Terminal-Bench 2.0、BrowseComp、OSWorld-Verified、CyberGym等长时间工具使用任务上更强。[ |
| 开放权重路线，重视速度和性价比 | Kimi K2.6 | Artificial Analysis开放模型表显示，Kimi K2.6为Intelligence 54、256k context、Price列$1.7、112 tokens/s。[ |
| 长上下文、低API价格、大量文本处理 | DeepSeek V4 Pro / DeepSeek V4系 | Artificial Analysis显示DeepSeek V4 Pro为1M context；Mashable报告DeepSeek V4的API价格低于GPT-5.5和Claude Opus 4.7。[ |
四个模型的主要信号
| 模型 | 基准表现里的强项 | 价格与部署侧的特点 |
|---|---|---|
| GPT-5.5 | GPT-5.5 high在Artificial Analysis Intelligence Index中为59。GPT-5.5 xhigh在GDPval-AA中被报告为Elo 1785，约高于Claude Opus 4.7 max 30分。[ | Mashable报告其API价格为每100万输入token 5美元、每100万输出token 30美元。[ |
| Claude Opus 4.7 | LLM Stats整理的10个共同基准中为6胜4负。Mashable表格显示，Claude Opus 4.7在SWE-Bench Pro为64.3%、GPQA Diamond为94.2%、HLE with tools为54.7%。[ | Mashable报告其API价格为每100万输入token 5美元、每100万输出token 25美元。[ |
| Kimi K2.6 | Artificial Analysis开放模型表显示其Intelligence为54。The Decoder引用Moonshot AI发布值称，Kimi K2.6在HLE with Tools为54.0、SWE-Bench Pro为58.6、BrowseComp为83.2。[ | Artificial Analysis同表显示，Kimi K2.6为256k context、Price列$1.7、112 tokens/s。[ |
| DeepSeek V4 Pro | Artificial Analysis开放模型表显示其Intelligence为52。DataCamp认为，DeepSeek V4在纯能力上并不超过GPT-5.5和Claude Opus 4.7。[ | Artificial Analysis同表显示，DeepSeek V4 Pro为1M context、Price列$2.2、36 tokens/s。Mashable报告DeepSeek V4 API价格为每100万输入token 1.74美元、每100万输出token 3.48美元。[ |
GPT-5.5 vs Claude Opus 4.7：前沿模型之间，胜负随任务切换
GPT-5.5和Claude Opus 4.7的对比，最不适合一句“谁碾压谁”概括。不同基准下，领先者会切换。
按Mashable列出的主要数字，Claude Opus 4.7在SWE-Bench Pro和GPQA Diamond上领先；GPT-5.5则在Terminal-Bench 2.0、Humanity's Last Exam、BrowseComp、ARC-AGI-1 Verified上领先。[9]
| 基准 | GPT-5.5 | Claude Opus 4.7 | Mashable表中的领先者 |
|---|---|---|---|
| SWE-Bench Pro | 58.6% | 64.3% | Claude Opus 4.7 |
| Terminal-Bench 2.0 | 82.7% | 69.4% | GPT-5.5 |
| Humanity's Last Exam | 40.6% | 31.2% | GPT-5.5 |
| Humanity's Last Exam with tools | 52.2% | 54.7% | Claude Opus 4.7 |
| BrowseComp | 84.4% | 79.3% | GPT-5.5 |
| GPQA Diamond | 93.6% | 94.2% | Claude Opus 4.7 |
| ARC-AGI-1 Verified | 94.5% | 92.0% | GPT-5.5 |
LLM Stats的整理稍有不同：在双方都报告的10个基准中，Claude Opus 4.7领先6项，GPT-5.5领先4项。该站的归纳是，Opus 4.7更偏推理和审阅类任务，GPT-5.5更偏长时间工具使用类任务。[4]
但这里有个关键前提：LLM Stats也提醒，这些分数来自各提供方高推理档位的自报结果，“形状上可比较”，但并不意味着评测方法完全一致。[4] 另外，像Humanity's Last Exam这样的项目，不同来源对领先关系的呈现也并不完全相同。[
4][
9]
Kimi K2.6 vs DeepSeek V4 Pro：开放权重路线，看速度还是上下文
Kimi K2.6和DeepSeek V4 Pro与GPT-5.5、Claude Opus 4.7这类闭源前沿模型直接拉通比较，容易失焦。更合理的视角是：如果你正在考虑开放权重模型，究竟更需要速度、价格，还是超长上下文？
| 指标 | Kimi K2.6 | DeepSeek V4 Pro |
|---|---|---|
| Artificial Analysis Intelligence | 54 | 52 |
| Context window | 256k | 1.00M |
| Price列 | $1.7 | $2.2 |
| Output speed | 112 tokens/s | 36 tokens/s |
只看这张表，Kimi K2.6在Intelligence和输出速度上更有优势；DeepSeek V4 Pro的突出点是1M上下文窗口。[23] The Decoder引用Moonshot AI的发布值称，Kimi K2.6在HLE with Tools为54.0、SWE-Bench Pro为58.6、BrowseComp为83.2。[
20]
不过，Kimi K2.6的公开实验并不是与GPT-5.5、Claude Opus 4.7做完全同条件对比。Hugging Face模型卡说明，Kimi K2.6评测时启用thinking mode，temperature为1.0、top-p为1.0、上下文长度为262,144 tokens；其主要对比对象也包括Claude Opus 4.6、GPT-5.4、Gemini 3.1 Pro等，而不是本文另外两个最新前沿模型。[18]
DeepSeek V4 Pro则更像是“接近前沿能力、但用更低成本和更长上下文切入”的选项。DataCamp的判断是，DeepSeek V4在纯能力上不超过GPT-5.5和Claude Opus 4.7，但可用较低成本取得near-frontier级别表现。[16]
价格比较：别把三种数字混在一起
看模型价格时，至少要分清三类数字。
第一类是API的token单价。Mashable报告称，DeepSeek V4为每100万输入token 1.74美元、每100万输出token 3.48美元；GPT-5.5为5美元/30美元；Claude Opus 4.7为5美元/25美元。[3]
第二类是Artificial Analysis模型表中的Price列。Kimi K2.6为$1.7，DeepSeek V4 Pro为$2.2，但这个数字不应直接当作Mashable所列API单价的同一指标来比较。[23]
第三类是运行基准本身的成本。Artificial Analysis文章称，跑完其Intelligence Index的成本中，DeepSeek V4 Pro为1,071美元，Kimi K2.6为948美元，Claude Opus 4.7为4,811美元。[2]
所以，“DeepSeek更便宜”“Kimi更划算”“Claude更贵”这类判断，要先问清楚：说的是API单价，还是基准运行成本？是短问答，还是会产生大量输出token的真实业务流程？[2][
3][
23]
安全性与可靠性：这是另一条轴线
Claude Opus 4.7还有一类不完全属于能力基准的信号。Mashable报道称，Anthropic声称Claude Opus 4.7有92%的honesty rate，并且更少出现sycophancy，也就是过度迎合用户的倾向。[15]
Anthropic自己的发布内容还称，Claude Opus 4.7在内部research-agent benchmark中，六个模块合计得分0.715并列第一；在General Finance模块中，从Opus 4.6的0.767提升到0.813。[17]
这些信息有参考价值，但不能与SWE-Bench Pro、GPQA Diamond、BrowseComp这类能力基准混为一谈。实际落地时，最好把能力分数、成本、速度、幻觉风险、可审计性分开看。[15][
17]
真正上线时，单模型固定不如按任务路由
在生产环境里，把所有任务都固定交给一个模型，往往不是最稳的做法。更现实的是按任务路由：简单任务用高性价比模型，困难任务再切到更强或更稳的模型。
MindStudio的代码任务比较称，在相同编码任务中，GPT-5.5比Claude Opus 4.7少用了72%的输出token；但在复杂、推理负担高的大型代码库中，Opus 4.7的细致程度可能足以抵消更高成本。[28]
一个务实的起点可以是：标准生成、修改、终端类任务先试GPT-5.5；深度审阅和专业判断先试Claude Opus 4.7；低成本开放权重实验先试Kimi K2.6；长上下文和大批量处理先试DeepSeek V4 Pro。[3][
4][
23][
28]
最终判断
基于目前公开信息，与其给GPT-5.5、Claude Opus 4.7、DeepSeek V4 Pro、Kimi K2.6强行排出唯一冠军，不如按用途选择。
简化来看：GPT-5.5适合综合能力和经济价值任务；Claude Opus 4.7适合推理、审阅和专业判断；Kimi K2.6适合开放权重场景下追求速度与价格性能；DeepSeek V4 Pro适合长上下文和低API价格敏感的任务。[3][
4][
23][
26][
27]
还要注意，Artificial Analysis内部也会因页面、更新时间和推理设置不同而呈现差异：一个GPT-5.5 high模型页给出Intelligence 59；另一张模型列表则显示Claude Opus 4.7 Adaptive Reasoning, Max Effort以Intelligence 57位居首位。[27][
30]
因此，基准分数应当作为筛选起点，而不是采购或上线的唯一依据。真正稳妥的做法，是拿你自己的任务集、预算、延迟要求和失败容忍度做小规模并行评测，再决定模型路由策略。[4][
18][
28]
