GPT-5.5 vs Claude Opus 4.7 vs Kimi K2.6 vs DeepSeek V4：基准测试与证据等级

读表重点：谁领先，取决于你看哪类任务

1. SWE-Bench Pro：Claude Opus 4.7 领先 GPT-5.5

在 OpenAI 的 GPT-5.5 评测表中，Claude Opus 4.7 的 SWE-Bench Pro 分数是 64.3%，高于 GPT-5.5 的 58.6%。 这是本文最值得直接比较的一组数字之一，因为两个模型出现在同一张表里。

SWE-Bench 系列通常被用来观察模型处理真实软件工程问题的能力，Vellum 也把这组比较放在 real GitHub issue resolution 的语境下解读。 如果你的产品场景是自动修 bug、理解大型代码库、处理多文件变更，Claude Opus 4.7 应该优先进入测试名单。

Kimi K2.6 也被 Kilo AI 的第三方文章列为 SWE-Bench Pro 58.6%，看起来与 GPT-5.5 接近。 但这个数字没有和 GPT-5.5、Claude Opus 4.7 出现在同一张可引用交叉表中，因此更适合作为参考信号，而不是严格胜负结论。

2. Terminal-Bench 2.0：GPT-5.5 领先 Claude Opus 4.7

同一张 OpenAI 评测表中，GPT-5.5 在 Terminal-Bench 2.0 的分数是 82.7%，Claude Opus 4.7 为 69.4%。

这意味着，如果你的任务更接近命令行、终端操作、工具调用和 coding agent 的执行环境，GPT-5.5 值得优先实测。这里的结论只适用于这个 benchmark；它不等于 GPT-5.5 在所有代码任务上都更强。

目前本文来源没有 Kimi K2.6 或 DeepSeek V4 在 Terminal-Bench 2.0 上的可引用分数，因此这一栏不能做四模型完整排名。

3. SWE-Bench Verified：Claude Opus 4.7 高于 Kimi K2.6，但来源口径不同

Claude Opus 4.7 的 SWE-Bench Verified 87.6% 出现在第三方评测整理中；Verdent 的整理将该数字标注为 Anthropic-conducted，并提到 memorization screens applied。 Kimi K2.6 的 SWE-Bench Verified 80.2% 来自 Kilo AI 的第三方文章。

这两组数字都有参考价值，但它们不像 OpenAI 同表中的 SWE-Bench Pro 与 Terminal-Bench 2.0 那样适合直接“硬碰硬”。更稳妥的读法是：Claude Opus 4.7 在已披露的 SWE-Bench Verified 数据里更高，但二者来源口径不同，最好结合自己的任务集复测。

4. Expert-SWE：可以看，但不适合作为总排名核心

GPT-5.5 在 Expert-SWE（Internal）为 73.1%，但 OpenAI 将其标为 internal eval，并提示其他实验室在该 eval 上看到 memorization evidence。

简单说，这个数字可以作为 OpenAI 内部能力信号之一，但不适合拿来给四个模型排总榜。凡是带有 internal eval、memorization evidence 或缺少外部交叉验证的指标，都应降低权重。

怎么选模型：先看任务，再看分数

如果你做的是复杂软件工程、GitHub issue 修复或多文件代码改动，先测 Claude Opus 4.7。 在最可直接对照的 SWE-Bench Pro 数据中，Claude Opus 4.7 以 64.3% 高于 GPT-5.5 的 58.6%。

如果你的工作流更像终端里的 coding agent，先测 GPT-5.5。 GPT-5.5 在 Terminal-Bench 2.0 上为 82.7%，高于 Claude Opus 4.7 的 69.4%。

如果你需要开放模型候选，Kimi K2.6 可以进入 shortlist。 Hugging Face 页面将 Kimi K2.6 描述为 open-source、native multimodal agentic model；Kilo AI 第三方文章列出它在 SWE-Bench Pro 为 58.6%、SWE-Bench Verified 为 80.2%。 但这些分数没有与 GPT-5.5、Claude Opus 4.7 出现在同一张官方交叉表中，实际选型时仍应重跑自己的任务集。

如果你正在评估 DeepSeek V4，最稳妥的做法是等待可引用 benchmark 或自行复测。 本文可用来源没有 DeepSeek V4 的可核验分数。把它强行放入数值榜单，反而比留白更容易误导。

为什么不排一个“总冠军”？

大模型 benchmark 的常见误区，是把不同来源、不同任务、不同设置下的数字直接相加。本文采用三层证据来读：

1. 同表共享 benchmark：例如 GPT-5.5 与 Claude Opus 4.7 在 OpenAI 表中的 SWE-Bench Pro 和 Terminal-Bench 2.0，这是本文最适合直接比较的数据。
2. 第三方整理的 vendor 或 partner eval：例如 Claude Opus 4.7 的 SWE-Bench Verified 与 CursorBench，仍有参考价值，但要注意测试来源与口径。
3. 缺少交叉验证或可引用数字的数据：例如 Kimi K2.6 目前主要依赖第三方文章列出的 SWE-Bench 数字，而 DeepSeek V4 在本文来源中没有足够 benchmark 可引用。

按这个标准，当前最清楚的结论是：Claude Opus 4.7 在 SWE-Bench Pro 领先 GPT-5.5，GPT-5.5 在 Terminal-Bench 2.0 领先 Claude Opus 4.7；Kimi K2.6 的 SWE-Bench 数字有看点但证据等级较低；DeepSeek V4 暂列为数据不足。

真正的模型选型不应停在榜单。把这张表当作初筛之后，下一步应在自己的 repo、编程语言、测试环境、工具链、成本预算、延迟要求和失败恢复机制下重测。这样得到的结果，通常比一个“四模型总排名”更接近真实生产表现。