GPT-5.5、Claude Opus 4.7、DeepSeek V4 与 Kimi K2.6：公开基准测试怎么读

公开基准测试可以帮助你快速缩小模型候选，但这四个名字不能直接被拼成一个“总分榜”。目前可引用资料分别来自 OpenAI 的 GPT-5.5 发布页和系统卡、Anthropic 的 Claude Opus 4.7 API 文档，以及 DeepSeek V4-Pro 模型卡；它们不是同一第三方、同一版本、同一评测配置下的完整四方同场测试。

先统一版本口径

本文把 DeepSeek V4 限定为 DeepSeek 模型卡中的 DS-V4-Pro Max，把 Kimi K2.6 限定为 K2.6 Thinking；这两个名称是 DeepSeek 表格里可直接引用的列名。

这一点很关键：DeepSeek 模型卡里的 GPT 和 Claude 列分别是 GPT-5.4 xHigh 与 Opus-4.6 Max，不是本文要比较的 GPT-5.5 与 Claude Opus 4.7。 因此，不能用 DeepSeek 那张表直接判断 DeepSeek V4-Pro Max 相对 GPT-5.5 或 Claude Opus 4.7 的完整胜负。

Anthropic 的 Claude Opus 4.7 公开 API 文档主要说明功能与调用方式，例如

task budgets

最稳的横向交集：Terminal-Bench 2.0

在本文可引用资料中，四个目标模型都能找到分数的共享项目是 Terminal-Bench 2.0。按这些公开表格，排序如下：

模型	Terminal-Bench 2.0	来源
GPT-5.5	82.7%	OpenAI 发布页及 MLQ.ai 摘要
Claude Opus 4.7	69.4%	OpenAI 发布页
DeepSeek V4-Pro Max	67.9%	DeepSeek V4-Pro 模型卡
Kimi K2.6 Thinking	66.7%	DeepSeek V4-Pro 模型卡

这能支持的结论很窄但有用：在 Terminal-Bench 2.0 这一项上，GPT-5.5 明显领先，Claude Opus 4.7 排第二，DeepSeek V4-Pro Max 与 Kimi K2.6 Thinking 接近。 它不能自动推出 GPT-5.5 在所有业务场景中都领先，也不能替代同一评测框架、同一工具权限、同一上下文长度和同一推理预算下的复测。

GPT-5.5 与 Claude Opus 4.7：OpenAI 表内对比

OpenAI 发布页给出了 GPT-5.5 与 Claude Opus 4.7 的多项 benchmark 对比；在这些列出的项目上，GPT-5.5 的分数均高于 Claude Opus 4.7。

这组数据适合支持一个有限结论：在 OpenAI 列出的这些项目里，GPT-5.5 强于 Claude Opus 4.7。 OpenAI 的系统卡也把 GPT-5.5 定位为面向复杂真实工作的模型，包括写代码、在线研究、分析信息、创建文档和表格，以及跨工具完成任务等场景。

但它仍然是 OpenAI 发布页中的对比表，不等于独立第三方对四个目标模型进行的统一 harness 测试。

DeepSeek V4-Pro Max 与 Kimi K2.6 Thinking：DeepSeek 表内对比

DeepSeek V4-Pro 模型卡提供了 DS-V4-Pro Max 与 K2.6 Thinking 的多项表内对比。 在这张表里，DeepSeek V4-Pro Max 在多数列项上高于 Kimi K2.6 Thinking，但 Kimi 也有明确领先项。

这组数据的稳妥读法是：在 DeepSeek 模型卡列出的多数项目上，DS-V4-Pro Max 高于 K2.6 Thinking；但 Kimi K2.6 Thinking 在 GPQA Diamond 和 SWE Pro 上领先。 其中 MMLU-Pro 与 Terminal-Bench 2.0 的差距较小，产品决策时不应只看领先方向，还应看任务类型和误差空间。

为什么不能直接给四方绝对总排名

最容易出错的做法，是把 OpenAI 表、DeepSeek 表和 Anthropic 功能文档里的信息直接合并，然后算出一个“总冠军”。目前公开资料不支持这样做，原因有三点：

1. 版本不一致。 OpenAI 表比较的是 GPT-5.5 与 Claude Opus 4.7；DeepSeek 表中的 GPT 和 Claude 列却是 GPT-5.4 xHigh 与 Opus-4.6 Max。
2. 来源不一致。 现有资料分别来自厂商发布页、系统卡、API 文档和模型卡，并非同一第三方评测框架下的完整四方复测。
3. 指标不等价。 GDPval、BrowseComp、FrontierMath、CyberGym、MMLU-Pro、GPQA Diamond、SWE Pro 等项目衡量的能力不同；没有明确权重时，把它们相加成一个总分会掩盖真实任务差异。

所以，公开 benchmark 更适合作为第一层筛选，而不是最终采购或架构选择的唯一依据。

产品选型应该怎么用这些分数

更实用的做法是分三层看：

• 共享 benchmark 层。 目前最清楚的四方交集是 Terminal-Bench 2.0；在这一项上，GPT-5.5 领先。
• 厂商表内部对比层。 OpenAI 表支持 GPT-5.5 在列出项目上高于 Claude Opus 4.7；DeepSeek 模型卡支持 DS-V4-Pro Max 在多数列项上高于 K2.6 Thinking。
• 业务复测层。 把你的真实任务拆成 coding、agent、reasoning、retrieval、tool use、latency、cost 等维度，在同一提示词、同一上下文、同一工具权限和同一评测规则下复测。

如果产品依赖较长的代理循环，Claude Opus 4.7 的

task budgets

如果产品更接近复杂编码、在线研究、文档或表格生成、跨工具工作，GPT-5.5 的系统卡描述与这些任务更直接相关。 但即使某个模型在公开表上领先，也仍需要放进你的代码库、工具链、权限边界和失败恢复规则中复测。

最稳妥的排名说法

• Terminal-Bench 2.0 单项： GPT-5.5 第一，Claude Opus 4.7 第二，DeepSeek V4-Pro Max 第三，Kimi K2.6 Thinking 第四。
• OpenAI 表内部： GPT-5.5 在列出的项目上高于 Claude Opus 4.7。
• DeepSeek 表内部： DS-V4-Pro Max 在多数列项上高于 Kimi K2.6 Thinking，但 Kimi 在 GPQA Diamond 和 SWE Pro 上领先。
• 四方绝对总排名： 证据不足。公开资料还没有提供同一第三方、同一版本、同一评测条件下的完整四方对测。