还要注意 DeepSeek 的版本差异：综合表里写的是 DeepSeek-V4-Pro-Max，而另一处 SWE-Bench Verified 数据对应的是 DeepSeek V4-Pro，不是 Pro-Max 。所以更准确的说法是：DeepSeek V4 不同版本在不同来源中有不同结果，不能用一个数字代表整条产品线。

先按任务选模型

• **复杂推理、不用外部工具：**优先测试 Claude Opus 4.7。它在综合表的 GPQA Diamond 和 Humanity’s Last Exam 无工具行领先 。
• **终端型智能体任务：**GPT-5.5 最突出。Terminal-Bench 2.0 上，GPT-5.5 为 82.7%，高于 Claude Opus 4.7 的 69.4% 和 DeepSeek-V4-Pro-Max 的 67.9% 。
• **带工具推理与浏览类任务：**GPT-5.5 Pro 更值得先测。它在有工具 HLE 为 57.2%，BrowseComp 为 90.1%，均为综合表中对应行的最高值 。
• **代码任务与可用权重实验：**Kimi K2.6 值得单独评估。其模型卡给出 SWE-Bench Verified 80.2、SWE-Bench Pro 58.6、Terminal-Bench 2.0 66.7 。另有来源称 K2.6 权重在 Hugging Face 上可用，并可通过 vLLM、SGLang 或 KTransformers 运行 。
• **预算比第一名更重要的场景：**DeepSeek V4 在这组基准中不是榜首，但 Mashable 和 DataCamp 给出的 API 价格为每 100 万输入 token 1.74 美元、每 100 万输出 token 3.48 美元；相比之下，GPT-5.5 为 5/30 美元，Claude Opus 4.7 为 5/25 美元 。

关键基准一览

这里的“未列出”不是零分，而是相应来源没有给出该模型在这一行的数值。

推理能力：Claude 无工具更强，GPT-5.5 Pro 带工具反超

在 GPQA Diamond 上，Claude Opus 4.7 与 GPT-5.5 的差距不大：94.2% 对 93.6%；DeepSeek-V4-Pro-Max 为 90.1% 。但在 Humanity’s Last Exam 无工具设置下，Claude 的优势更明显：46.9%，高于 GPT-5.5 的 41.4%、GPT-5.5 Pro 的 43.1% 和 DeepSeek-V4-Pro-Max 的 37.7% 。

一旦允许使用工具，排序就变了。HLE 有工具一行中，GPT-5.5 Pro 为 57.2%，Claude Opus 4.7 为 54.7%，GPT-5.5 为 52.2%，DeepSeek-V4-Pro-Max 为 48.2% 。因此，比较稳妥的结论是：无工具纯推理优先看 Claude，工具增强推理则优先看 GPT-5.5 Pro 的可用结果 。

代码与智能体任务：GPT-5.5 在 Terminal-Bench 拉开最大差距

这组数据中，GPT-5.5 最明显的领先来自 Terminal-Bench 2.0：82.7%，而 Claude Opus 4.7 为 69.4%，DeepSeek-V4-Pro-Max 为 67.9% 。Kimi K2.6 的模型卡给出 Terminal-Bench 2.0 为 66.7，LLM Stats 的 Terminal-Bench 2.0 榜单也列出 Kimi K2.6 为 0.667、Claude Opus 4.7 为 0.694 。换句话说，在这个尺度上，Kimi 与 Claude、DeepSeek 接近，但明显低于综合表中的 GPT-5.5 。

SWE-Bench Pro / SWE Pro 的格局不同：Claude Opus 4.7 以 64.3% 领先，GPT-5.5 为 58.6%，DeepSeek-V4-Pro-Max 为 55.4% 。Kimi K2.6 在 Hugging Face 模型卡中也标为 58.6，但这不是与 GPT-5.5、Claude 和 DeepSeek 同一张综合表的统一测试运行 。

SWE-Bench Verified 更不适合被做成四款模型的总排名。Kimi K2.6 有 80.2 的模型卡和 eval 文件记录 ；另一个 DeepSeek V4 来源给出 Claude Opus 4.7 为 87.6%、DeepSeek V4-Pro 为 80.6%，但没有给出 GPT-5.5 的完整同排数据，而且 DeepSeek 版本是 V4-Pro，不是 V4-Pro-Max 。

分模型看：各自强在哪里

GPT-5.5 与 GPT-5.5 Pro

GPT-5.5 在 Terminal-Bench 2.0 上最亮眼，82.7% 是综合表该行最高结果 。GPT-5.5 Pro 并非每一行都有数据，但在有数据的行里表现强势：HLE 有工具 57.2%，BrowseComp 90.1%，均排第一 。

实际选型时，可以把 GPT-5.5 放在终端型智能体任务的首轮候选；如果任务涉及工具调用、浏览或外部动作辅助推理，则优先测试 GPT-5.5 Pro 。

Claude Opus 4.7

Claude Opus 4.7 在综合表多项领先：GPQA Diamond 94.2%、HLE 无工具 46.9%、SWE-Bench Pro / SWE Pro 64.3%、MCP Atlas / MCPAtlas Public 79.1% 。但它在 Terminal-Bench 2.0 上低于 GPT-5.5，在 HLE 有工具和 BrowseComp 上低于 GPT-5.5 Pro 。

如果你的任务更像复杂推理、无工具问答，或接近 SWE-Bench Pro 的代码修复与软件工程评估，Claude Opus 4.7 是非常值得先测的候选 。

Kimi K2.6

Kimi K2.6 的数字不宜与其他三者做严格同场排名，因为本文中的 Kimi 数据来自 Hugging Face 模型卡和 eval 文件，而不是综合表同一次运行 。但作为代码方向候选，它的数据很有看点：模型卡列出 SWE-Bench Verified 80.2、SWE-Bench Pro 58.6、SWE-Bench Multilingual 76.7、Terminal-Bench 2.0 66.7、OSWorld-Verified 73.1 。

Kimi 的另一个实际价值在部署形态。来源显示 K2.6 权重可在 Hugging Face 获取，并支持通过 vLLM、SGLang 或 KTransformers 运行 。这不等于它赢得了整张 benchmark 表，但对需要自托管、内部实验或更强部署控制的团队来说，Kimi K2.6 值得单独做 eval 。

DeepSeek V4

综合表中 DeepSeek 对应的是 DeepSeek-V4-Pro-Max 。在列出的行里，它没有拿到第一：GPQA Diamond 90.1%、HLE 无工具 37.7%、HLE 有工具 48.2%、Terminal-Bench 2.0 67.9%、SWE-Bench Pro / SWE Pro 55.4%、BrowseComp 83.4%、MCP Atlas / MCPAtlas Public 73.6% 。

DeepSeek V4 在这组资料里的优势不是绝对跑分，而是成本。Mashable 和 DataCamp 给出的 API 价格为每 100 万输入 token 1.74 美元、每 100 万输出 token 3.48 美元；对比之下，GPT-5.5 为 5/30 美元，Claude Opus 4.7 为 5/25 美元 。如果预算是主要约束，DeepSeek V4 应该进入你的自有测试集，但不应仅凭这张表被称为 benchmark 领先者 。

读这份比较时的四个限制

1. **没有覆盖四款模型所有项目的统一测试运行。**综合表覆盖 GPT-5.5、GPT-5.5 Pro、Claude Opus 4.7 和 DeepSeek-V4-Pro-Max；Kimi K2.6 需要从 Hugging Face 和 eval 文件另行补入 。
2. **DeepSeek V4 在不同来源中指向不同版本。**综合表是 DeepSeek-V4-Pro-Max，SWE-Bench Verified 的单独数字则是 DeepSeek V4-Pro 。
3. **GPT-5.5 Pro 并非每项都有数据。**综合表只在部分 benchmark 行列出 Pro，因此不能把它在有工具 HLE 或 BrowseComp 的优势自动外推到所有任务 。
4. **Kimi K2.6 最好用自己的 eval 再验证。**Hugging Face 结果很有参考价值，但来源和测试设置并非与 GPT-5.5、Claude Opus 4.7、DeepSeek-V4-Pro-Max 完全同一张横评表 。

最后怎么选

如果只看综合表中可比的行，Claude Opus 4.7 赢下 GPQA Diamond、HLE 无工具、SWE-Bench Pro 和 MCP Atlas；GPT-5.5 赢下 Terminal-Bench 2.0；GPT-5.5 Pro 赢下 HLE 有工具和 BrowseComp 。Kimi K2.6 是值得重点关注的代码与可用权重候选，但需要单独验证，不能直接判定为四方同场第一 。DeepSeek V4 在这些 benchmark 行里不是冠军，却凭更低的公开 API 价格，适合放进对成本敏感场景的自有评测中 。

还要注意 DeepSeek 的版本差异：综合表里写的是 DeepSeek-V4-Pro-Max，而另一处 SWE-Bench Verified 数据对应的是 DeepSeek V4-Pro，不是 Pro-Max 。所以更准确的说法是：DeepSeek V4 不同版本在不同来源中有不同结果，不能用一个数字代表整条产品线。

先按任务选模型

• **复杂推理、不用外部工具：**优先测试 Claude Opus 4.7。它在综合表的 GPQA Diamond 和 Humanity’s Last Exam 无工具行领先 。
• **终端型智能体任务：**GPT-5.5 最突出。Terminal-Bench 2.0 上，GPT-5.5 为 82.7%，高于 Claude Opus 4.7 的 69.4% 和 DeepSeek-V4-Pro-Max 的 67.9% 。
• **带工具推理与浏览类任务：**GPT-5.5 Pro 更值得先测。它在有工具 HLE 为 57.2%，BrowseComp 为 90.1%，均为综合表中对应行的最高值 。
• **代码任务与可用权重实验：**Kimi K2.6 值得单独评估。其模型卡给出 SWE-Bench Verified 80.2、SWE-Bench Pro 58.6、Terminal-Bench 2.0 66.7 。另有来源称 K2.6 权重在 Hugging Face 上可用，并可通过 vLLM、SGLang 或 KTransformers 运行 。
• **预算比第一名更重要的场景：**DeepSeek V4 在这组基准中不是榜首，但 Mashable 和 DataCamp 给出的 API 价格为每 100 万输入 token 1.74 美元、每 100 万输出 token 3.48 美元；相比之下，GPT-5.5 为 5/30 美元，Claude Opus 4.7 为 5/25 美元 。

关键基准一览

这里的“未列出”不是零分，而是相应来源没有给出该模型在这一行的数值。

推理能力：Claude 无工具更强，GPT-5.5 Pro 带工具反超

在 GPQA Diamond 上，Claude Opus 4.7 与 GPT-5.5 的差距不大：94.2% 对 93.6%；DeepSeek-V4-Pro-Max 为 90.1% 。但在 Humanity’s Last Exam 无工具设置下，Claude 的优势更明显：46.9%，高于 GPT-5.5 的 41.4%、GPT-5.5 Pro 的 43.1% 和 DeepSeek-V4-Pro-Max 的 37.7% 。

一旦允许使用工具，排序就变了。HLE 有工具一行中，GPT-5.5 Pro 为 57.2%，Claude Opus 4.7 为 54.7%，GPT-5.5 为 52.2%，DeepSeek-V4-Pro-Max 为 48.2% 。因此，比较稳妥的结论是：无工具纯推理优先看 Claude，工具增强推理则优先看 GPT-5.5 Pro 的可用结果 。

代码与智能体任务：GPT-5.5 在 Terminal-Bench 拉开最大差距

这组数据中，GPT-5.5 最明显的领先来自 Terminal-Bench 2.0：82.7%，而 Claude Opus 4.7 为 69.4%，DeepSeek-V4-Pro-Max 为 67.9% 。Kimi K2.6 的模型卡给出 Terminal-Bench 2.0 为 66.7，LLM Stats 的 Terminal-Bench 2.0 榜单也列出 Kimi K2.6 为 0.667、Claude Opus 4.7 为 0.694 。换句话说，在这个尺度上，Kimi 与 Claude、DeepSeek 接近，但明显低于综合表中的 GPT-5.5 。

SWE-Bench Pro / SWE Pro 的格局不同：Claude Opus 4.7 以 64.3% 领先，GPT-5.5 为 58.6%，DeepSeek-V4-Pro-Max 为 55.4% 。Kimi K2.6 在 Hugging Face 模型卡中也标为 58.6，但这不是与 GPT-5.5、Claude 和 DeepSeek 同一张综合表的统一测试运行 。

SWE-Bench Verified 更不适合被做成四款模型的总排名。Kimi K2.6 有 80.2 的模型卡和 eval 文件记录 ；另一个 DeepSeek V4 来源给出 Claude Opus 4.7 为 87.6%、DeepSeek V4-Pro 为 80.6%，但没有给出 GPT-5.5 的完整同排数据，而且 DeepSeek 版本是 V4-Pro，不是 V4-Pro-Max 。

分模型看：各自强在哪里

GPT-5.5 与 GPT-5.5 Pro

GPT-5.5 在 Terminal-Bench 2.0 上最亮眼，82.7% 是综合表该行最高结果 。GPT-5.5 Pro 并非每一行都有数据，但在有数据的行里表现强势：HLE 有工具 57.2%，BrowseComp 90.1%，均排第一 。

实际选型时，可以把 GPT-5.5 放在终端型智能体任务的首轮候选；如果任务涉及工具调用、浏览或外部动作辅助推理，则优先测试 GPT-5.5 Pro 。

Claude Opus 4.7

Claude Opus 4.7 在综合表多项领先：GPQA Diamond 94.2%、HLE 无工具 46.9%、SWE-Bench Pro / SWE Pro 64.3%、MCP Atlas / MCPAtlas Public 79.1% 。但它在 Terminal-Bench 2.0 上低于 GPT-5.5，在 HLE 有工具和 BrowseComp 上低于 GPT-5.5 Pro 。

如果你的任务更像复杂推理、无工具问答，或接近 SWE-Bench Pro 的代码修复与软件工程评估，Claude Opus 4.7 是非常值得先测的候选 。

Kimi K2.6

Kimi K2.6 的数字不宜与其他三者做严格同场排名，因为本文中的 Kimi 数据来自 Hugging Face 模型卡和 eval 文件，而不是综合表同一次运行 。但作为代码方向候选，它的数据很有看点：模型卡列出 SWE-Bench Verified 80.2、SWE-Bench Pro 58.6、SWE-Bench Multilingual 76.7、Terminal-Bench 2.0 66.7、OSWorld-Verified 73.1 。

Kimi 的另一个实际价值在部署形态。来源显示 K2.6 权重可在 Hugging Face 获取，并支持通过 vLLM、SGLang 或 KTransformers 运行 。这不等于它赢得了整张 benchmark 表，但对需要自托管、内部实验或更强部署控制的团队来说，Kimi K2.6 值得单独做 eval 。

DeepSeek V4

综合表中 DeepSeek 对应的是 DeepSeek-V4-Pro-Max 。在列出的行里，它没有拿到第一：GPQA Diamond 90.1%、HLE 无工具 37.7%、HLE 有工具 48.2%、Terminal-Bench 2.0 67.9%、SWE-Bench Pro / SWE Pro 55.4%、BrowseComp 83.4%、MCP Atlas / MCPAtlas Public 73.6% 。

DeepSeek V4 在这组资料里的优势不是绝对跑分，而是成本。Mashable 和 DataCamp 给出的 API 价格为每 100 万输入 token 1.74 美元、每 100 万输出 token 3.48 美元；对比之下，GPT-5.5 为 5/30 美元，Claude Opus 4.7 为 5/25 美元 。如果预算是主要约束，DeepSeek V4 应该进入你的自有测试集，但不应仅凭这张表被称为 benchmark 领先者 。

读这份比较时的四个限制

1. **没有覆盖四款模型所有项目的统一测试运行。**综合表覆盖 GPT-5.5、GPT-5.5 Pro、Claude Opus 4.7 和 DeepSeek-V4-Pro-Max；Kimi K2.6 需要从 Hugging Face 和 eval 文件另行补入 。
2. **DeepSeek V4 在不同来源中指向不同版本。**综合表是 DeepSeek-V4-Pro-Max，SWE-Bench Verified 的单独数字则是 DeepSeek V4-Pro 。
3. **GPT-5.5 Pro 并非每项都有数据。**综合表只在部分 benchmark 行列出 Pro，因此不能把它在有工具 HLE 或 BrowseComp 的优势自动外推到所有任务 。
4. **Kimi K2.6 最好用自己的 eval 再验证。**Hugging Face 结果很有参考价值，但来源和测试设置并非与 GPT-5.5、Claude Opus 4.7、DeepSeek-V4-Pro-Max 完全同一张横评表 。

最后怎么选

如果只看综合表中可比的行，Claude Opus 4.7 赢下 GPQA Diamond、HLE 无工具、SWE-Bench Pro 和 MCP Atlas；GPT-5.5 赢下 Terminal-Bench 2.0；GPT-5.5 Pro 赢下 HLE 有工具和 BrowseComp 。Kimi K2.6 是值得重点关注的代码与可用权重候选，但需要单独验证，不能直接判定为四方同场第一 。DeepSeek V4 在这些 benchmark 行里不是冠军，却凭更低的公开 API 价格，适合放进对成本敏感场景的自有评测中 。