GPT-5.5、Claude Opus 4.7、Kimi K2.6、DeepSeek V4 基准对比

先看结论：四个模型各有主场

• GPT-5.5：优先用于 ARC 类抽象推理、视觉推理，以及 terminal-style agent 任务。DocsBot 显示，GPT-5.5 在 ARC-AGI-2 为 85%，Claude Opus 4.7 为 75.8%；VentureBeat 显示，GPT-5.5 在 Terminal-Bench 2.0 为 82.7%，高于 Claude 的 69.4% 与 DeepSeek 的 67.9%。
• Claude Opus 4.7：更适合从 HLE、SWE-Bench Pro 这类“难题推理 + 代码审查”指标切入。VentureBeat 的 HLE 数据里，Claude 在不开工具和开工具的基础行都高于 GPT-5.5 与 DeepSeek；DataCamp 则给出 Claude Opus 4.7 在 SWE-Bench Pro 上 64.3%，高于 GPT-5.5 的 58.6% 和 DeepSeek V4 Pro 的 55.4%。
• Kimi K2.6：更像一个强 coding/agentic 候选，而不是所有表格里都能直接比较的“总榜选手”。Artificial Analysis 中 Kimi K2.6 为 54，低于 GPT-5.5 medium 的 57，但高于 Claude Opus 4.7 non-reasoning high 的 52；AkitaOnRails coding benchmark 中 Kimi K2.6 为 87。
• DeepSeek V4：在这些基准片段里更接近 price-performance 选项。Mashable 给出的价格为：DeepSeek V4 每 100 万输入 token 1.74 美元、每 100 万输出 token 3.48 美元；GPT-5.5 为 5/30 美元，Claude Opus 4.7 为 5/25 美元。

基准测试对照表

下表中的 — 表示：在提供的来源片段中，没有可直接比较的同一项结果。

为什么不能直接宣布“冠军”

问题不在于这些模型不强，而在于表格之间并不完全可比。Artificial Analysis 对比的是 GPT-5.5 medium、Kimi K2.6 与 Claude Opus 4.7 non-reasoning high；AkitaOnRails 使用的是 GPT-5.5 xHigh/Codex，并把 DeepSeek V4 Flash 和 DeepSeek V4 Pro 分开列；VentureBeat 还区分了 GPT-5.5 与 GPT-5.5 Pro。

即便只看 GPT-5.5 与 Claude Opus 4.7，也不是单边碾压。LLM Stats 统计两家都报告的 10 个基准后发现：Claude Opus 4.7 领先 6 项，GPT-5.5 领先 4 项；Claude 的优势集中在重推理和 review-grade 测试，GPT-5.5 的优势则集中在长时间工具使用、shell-driven 任务等方向。

GPT-5.5 强在哪里

GPT-5.5 最有说服力的信号来自 ARC 和 Terminal-Bench。在 ARC-AGI-2 中，GPT-5.5 为 85%，Claude Opus 4.7 为 75.8%；在 ARC-AGI-1 中，GPT-5.5 为 95%，Claude 为 93.5%。

Terminal-Bench 2.0 的差距更明显：GPT-5.5 为 82.7%，Claude Opus 4.7 为 69.4%，DeepSeek 为 67.9%。这说明在命令行、终端式操作和工具链调用相关任务中，GPT-5.5 在这些数据里有很强的优势。

Artificial Analysis 也把 GPT-5.5 medium 放在这组可见竞品之前：GPT-5.5 medium 为 57，Kimi K2.6 为 54，Claude Opus 4.7 non-reasoning high 为 52。 但这不是所有运行模式的总排名，LLM Stats 同时显示 Claude 在部分推理和软件工程测试上领先 GPT-5.5。

Claude Opus 4.7 强在哪里

Claude Opus 4.7 的强项更偏“难题推理”和“复杂代码判断”。在 Humanity’s Last Exam 不开工具的结果中，Claude 为 46.9%，GPT-5.5 为 41.4%，DeepSeek 为 37.7%；开启工具后，Claude 为 54.7%，GPT-5.5 为 52.2%，DeepSeek 为 48.2%。

在 SWE-Bench Pro 上，DataCamp 给出的 Claude Opus 4.7 为 64.3%，GPT-5.5 为 58.6%，DeepSeek V4 Pro 为 55.4%。 这也符合 LLM Stats 的总体观察：Claude 在 GPQA、HLE 不开工具、HLE 开工具、SWE-Bench Pro、MCP Atlas 和 FinanceAgent v1.1 上领先；GPT-5.5 则在 Terminal-Bench 2.0、BrowseComp、OSWorld-Verified 和 CyberGym 上领先。

Kimi K2.6 应该怎么看

Kimi K2.6 难以和另外三款模型做一个完整的“一表定胜负”排名，因为它并不总是出现在同一批基准里。在 Artificial Analysis 的可用片段中，Kimi K2.6 得分 54，低于 GPT-5.5 medium 的 57，但高于 Claude Opus 4.7 non-reasoning high 的 52。

在 AkitaOnRails coding benchmark 中，Kimi K2.6 得分 87，低于 Claude Opus 4.7 的 97 和 GPT-5.5 xHigh/Codex 的 96，但高于 DeepSeek V4 Flash 的 78 与 DeepSeek V4 Pro 的 69。 Verdent 另一个 SWE-Bench Verified 对比中，Claude Opus 4.7 为 87.6%，Kimi K2.6 为 80.2%。

Kimi 的特殊价值在于开放权重路线。Verdent 写道，K2.6 权重可在 Hugging Face 获取，并可通过 vLLM、SGLang 或 KTransformers 运行；同一来源还提到，在缩小上下文的 INT4 版本下，最低可行配置为 4× H100。 Hugging Face README 还列出 Kimi K2.6 的一些代理指标，例如 HLE-Full 开工具 54.0、BrowseComp 83.2、DeepSearchQA f1-score 92.5、Toolathlon 50.0、MCPMark 55.9；但这张表主要把 Kimi 与 GPT-5.4、Claude Opus 4.6、Gemini 3.1 Pro 对比，并不是本文四个模型的完整同场对比。

DeepSeek V4：分数不是最高，但价格很能打

在提供的资料中，DeepSeek V4 更像是 value model，而不是最高 benchmark score 的领先者。VentureBeat 的 HLE 不开工具、HLE 开工具和 Terminal-Bench 2.0 数据里，DeepSeek 都低于 GPT-5.5 与 Claude Opus 4.7。 DataCamp 显示，DeepSeek V4 Pro 在 SWE-Bench Pro 为 55.4%，低于 GPT-5.5 的 58.6% 与 Claude Opus 4.7 的 64.3%。 AkitaOnRails 中，DeepSeek V4 Flash 为 78，DeepSeek V4 Pro 为 69，也低于同表的 Kimi K2.6、GPT-5.5 xHigh/Codex 和 Claude Opus 4.7。

但价格会改变产品选择。Mashable 给出的 API 价格显示，DeepSeek V4 每 100 万输入 token 为 1.74 美元、每 100 万输出 token 为 3.48 美元；GPT-5.5 为 5/30 美元，Claude Opus 4.7 为 5/25 美元。 这并不意味着 DeepSeek 是基准冠军，却可能让它成为大批量草稿、低风险任务、内部评测和成本敏感型实验的优先候选。

如果要落地测试，先按任务选

• ARC、视觉推理、抽象谜题：优先测 GPT-5.5，因为 DocsBot 的 ARC-AGI-2 与 ARC-AGI-1 都显示 GPT-5.5 高于 Claude Opus 4.7。
• 高难度推理、HLE 风格任务：基础模型行可先测 Claude Opus 4.7；但要注意，VentureBeat 中单独列出的 GPT-5.5 Pro 在 HLE 开工具结果上高于 Claude。
• 终端、shell-driven agent、工具调用：优先测 GPT-5.5，Terminal-Bench 2.0 是它在这些来源中最强的直接结果之一。
• SWE-Bench Pro、代码审查、复杂软件工程：优先测 Claude Opus 4.7，因为 DataCamp 与 LLM Stats 都显示 Claude 在 SWE-Bench Pro 上有优势。
• 开放权重或自部署 coding/agentic 场景：如果 Hugging Face、vLLM、SGLang 或 KTransformers 路线很重要，Kimi K2.6 值得进入自家任务评测。
• 高并发、预算敏感实验：如果单次调用成本比最高分更重要，可以把 DeepSeek V4 放进候选池。

最后一句话

只看 benchmark，第一梯队更像是 GPT-5.5 与 Claude Opus 4.7 并列分工：GPT-5.5 在 ARC 和 Terminal-Bench 更突出，Claude Opus 4.7 在 HLE 和 SWE-Bench Pro 更稳。 Kimi K2.6 是有吸引力的 coding/agentic 与开放权重候选，但与其他三者的直接同场数据较少。 DeepSeek V4 在这些数据里通常不是 raw score 最高者，不过 API 价格让它在性价比试点中很难被忽视。