Claude Opus 4.7 vs GPT-5.5：2026 基准对比，以及 DeepSeek V4、Kimi K2.6 的证据空白

读榜单前，先避开三个坑

1. 不要把 SWE-Bench Pro Public 和 SWE-bench Verified 混着比

OpenAI 的头对头表使用的是 SWE-Bench Pro Public 。这不等同于 SWE-bench Verified。BenchLM 对 SWE-bench Verified 的说明是：它是 SWE-bench 的人工验证子集，用真实 GitHub issue 测试模型修复代码的能力，涉及 Django、Flask、scikit-learn 等流行 Python 仓库 。

因此，Claude 在 SWE-Bench Pro Public 上的 64.3%，不能直接拿去和其他榜单里的 SWE-bench Verified 分数比较 。基准名称、评测框架、评测日期、模型配置都要先对齐。

2. GPQA Diamond 已经不太能拉开前沿模型差距

Vellum 给出的 GPQA Diamond 结果是：Claude Opus 4.7 为 94.2%，GPT-5.5 为 93.6% 。The Next Web 也提到，Claude Opus 4.7 为 94.2%，GPT-5.4 Pro 为 94.4%，Gemini 3.1 Pro 为 94.3%，并认为这些差距处在噪声范围内 。

换句话说，GPQA Diamond 仍然能作为通用推理能力的信号，但如果要做生产选型，它不适合作为唯一依据。

3. 第三方榜单数字不同，并不一定代表谁错了

以 SWE-bench Verified 为例，Claude Opus 4.7 在不同来源中的数字并不完全一致。BenchLM 报告 Claude Opus 4.7 Adaptive 在 2026 年 4 月 24 日为 87.6% ，LLM Stats 也列出 87.6% ；但 LM Council 给出 Claude Opus 4.7 max 为 83.5% ±1.7 ，MindStudio 则提到 82.4% 。

这类差异通常可能来自模型配置、评测框架、测试日期、是否允许重试、是否启用特定推理模式等因素。对工程团队来说，公开榜单更适合用来缩小候选范围，而不是替代自己在代码库、权限模型和工作流上的实测。

Claude Opus 4.7：更值得先测代码修复和工具编排

Claude Opus 4.7 最清晰的优势集中在代码修复和多工具智能体场景。OpenAI 表中，Claude 在 SWE-Bench Pro Public 上以 64.3% 对 GPT-5.5 的 58.6% 领先；在 FinanceAgent v1.1 上，Claude 也以 64.4% 对 GPT-5.5 的 60.0% 领先 。Vellum 还报告 Claude 在 MCP Atlas 上为 79.1%，高于 GPT-5.5 的 75.3% 。

Anthropic 自己的发布说明也强调了与 agentic workflow 相关的伙伴评测：Hebbia 观察到其核心编排智能体在工具调用准确率和规划方面有两位数提升；Rakuten-SWE-Bench 则称 Opus 4.7 解决的生产任务数量是 Opus 4.6 的 3 倍，并在 Code Quality 与 Test Quality 上有两位数增长 。这些信号有参考价值，但仍不同于你自己业务负载上的独立评测。

实际选择上，如果重点是自主修复代码库、MCP 工具链，或需要长链路多工具调用的工作流，Claude Opus 4.7 应该进入第一批测试名单。

GPT-5.5：终端、浏览器搜索、办公和数学项更亮眼

GPT-5.5 的优势在 Terminal-Bench 2.0 上最突出。OpenAI 报告 GPT-5.5 达到 82.7%，高于 Claude Opus 4.7 的 69.4% 和 Gemini 3.1 Pro 的 68.5% 。同一张表里，GPT-5.5 在 GDPval wins/ties 上为 84.9%，Claude 为 80.3%；在 OfficeQA Pro 上，GPT-5.5 为 54.1%，Claude 为 43.6% 。

Vellum 进一步补充了 computer-use、搜索和推理场景：GPT-5.5 在 OSWorld-Verified 上略高于 Claude，78.7% 对 78.0%；在 BrowseComp 上为 84.4%，高于 Claude 的 79.3%；在 FrontierMath T1–3 上为 51.7%，高于 Claude 的 43.8% 。BrowseComp 中，Vellum 还列出 GPT-5.5 Pro 为 90.1% 。

在编程相关任务上，结论则更细分：GPT-5.5 在终端型任务很强，但在 SWE-Bench Pro Public 中落后于 Claude Opus 4.7 。OpenAI 的 GPT-5.5 System Card 还介绍了 CoT-Control 评测套件，包含来自 GPQA、MMLU-Pro、HLE、BFCL 和 SWE-Bench Verified 等基准的 13,000 多个任务 ；不过该来源没有给出 GPT-5.5 与 DeepSeek V4 或 Kimi K2.6 的直接对比 。

DeepSeek V4 和 Kimi K2.6：目前不能公平排名

DeepSeek V4 在现有来源中没有直接基准数据。最接近的信息来自 DeepSeek V3.2：MangoMind 在 2026 年 4 月的编码推荐中，将 DeepSeek V3.2 列为 89.2% SWE-bench，低于 Claude Opus 4.6 的 93.2% 和 GPT-5.4 Pro 的 91.1% 。但 DeepSeek V3.2 的数字不能用来推断 DeepSeek V4 的表现。

Kimi K2.6 的情况类似。Stanford HAI 提到，截至 2026 年 2 月，KimiK2.5 在 SWE-bench Verified 上处于 70%–76% 的模型群组中 。Siliconflow 则列出 Kimi K2 Thinking 的 GPQA 为 84.5、SWE Bench 为 71.3 。二者都不是 Kimi K2.6，只能作为 Kimi 生态的背景信息，不能当作 Kimi K2.6 的直接证据。

给产品和工程团队的选型建议

结论

如果只看当前可用的头对头证据，GPT-5.5 更适合作为终端/CLI 智能体、浏览器搜索、办公任务和部分数学基准的优先候选 。Claude Opus 4.7 则更适合作为 SWE-Bench Pro Public、MCP/工具编排和 FinanceAgent v1.1 场景的优先候选 。

DeepSeek V4 与 Kimi K2.6 目前还不能被公平排在 Claude Opus 4.7 或 GPT-5.5 前后。现有资料提到的是 DeepSeek V3.2、KimiK2.5 和 Kimi K2 Thinking，而不是 DeepSeek V4 与 Kimi K2.6；因此，声称它们已经超过 Claude Opus 4.7 或 GPT-5.5，尚缺少这组来源中的直接基准证据 。