GPT-5.5、Claude Opus 4.7、DeepSeek V4、Kimi K2.6：基准测试到底说明了什么

一张表看清：哪些能比，哪些不能硬比

表里的“未给出”不是说 DeepSeek V4 或 Kimi K2.6 弱，而是说在这些来源中，没有足够的同场、同设置、同指标分数来做严谨横评 。

ARC-AGI：GPT-5.5 领先，但别扩大解读

在 OpenAI 发布页列出的 ARC-AGI 抽象推理测试中，GPT-5.5 的两个分数都高于 Claude Opus 4.7：ARC-AGI-1 Verified 为 95.0%，Claude Opus 4.7 为 93.5%；ARC-AGI-2 Verified 为 85.0%，Claude Opus 4.7 为 75.8% 。

这说明，在这两项测试和这组公开设置下，GPT-5.5 对 Claude Opus 4.7 有明确优势。它不说明 GPT-5.5 在所有真实任务里都更强。OpenAI 也说明，GPT 评测是在研究环境中以「xhigh」推理强度运行，输出可能与生产环境中的 ChatGPT 略有不同 。

MCP-Atlas：Claude Opus 4.7 的优势更偏向工具编排

MCP-Atlas 给出的信号刚好相反。一篇评测文章报告称，Claude Opus 4.7 在 MCP-Atlas 上得到 79.1%，高于 GPT-5.5 的 75.3%；该文把这一优势与复杂链式场景中的工具调用可靠性联系起来 。

如果一个产品的核心不是单次问答，而是让模型调用外部工具、串联多个步骤、处理多工具工作流，那么 MCP-Atlas 这类基准就比单纯的推理分数更值得看。在这一项上，现有信号更有利于 Claude Opus 4.7 。

Terminal-Bench 2.0：GPT-5.5 有强信号，不等于全场通杀

GPT-5.5 被报告在 Terminal-Bench 2.0 上达到 82.7%，这是本文来源中与终端任务和代码代理相关的最清楚数字 。

但限制同样重要：现有来源没有给出 Claude Opus 4.7、DeepSeek V4、Kimi K2.6 在同一 Terminal-Bench 2.0 设置下的完整可比分数。因此，更稳妥的说法是：GPT-5.5 在代码代理方向有很强的已知信号，而不是已经被证明在所有代码代理场景中击败另外三款模型 。

DeepSeek V4、Kimi K2.6：开放权重阵营值得看，但这里排不出名次

DeepSeek V4 和 Kimi K2.6 的意义主要体现在开放权重生态。Artificial Analysis 表示，随着 DeepSeek V4 发布，DeepSeek 回到领先开放权重模型之列 。更具体的数字是，DeepSeek V4 Pro Max 在 Artificial Analysis Intelligence Index 上得到 52，高于 DeepSeek V3.2 的 42 。

Kimi K2.6 也有强定位信号：Artificial Analysis 页面列出一篇题为《Kimi K2.6: The new leading open weights model》的分析 。但在本文可用来源里，缺少足以把 Kimi K2.6 与 DeepSeek V4、GPT-5.5、Claude Opus 4.7 放到 ARC-AGI、MCP-Atlas 或 Terminal-Bench 同一张表里比较的分数 。

所以，对开放权重方案感兴趣的团队可以把 DeepSeek V4 和 Kimi K2.6 纳入候选；但如果问题是“谁在这些基准上赢了”，现有资料还不足以给出严格答案 。

安全和网络能力：不要把“会做”当成“可放心用”

GPT-5.5 的 system card 描述了 CoT-Control：这是一个包含 1.3 万多项任务的评测套件，任务来自 GPQA、MMLU-Pro、HLE、BFCL、SWE-Bench Verified 等既有基准，用于观察模型对思维链相关指令的可控性 。

这类信息有助于理解 GPT-5.5 的安全与可控性评估，但它不是 GPT-5.5、Claude Opus 4.7、DeepSeek V4、Kimi K2.6 的安全横向排名 。

另一个来源称，GPT-5.5 在网络靶场上的通过率为 93%，同时也称红队测试在 6 小时内发现了通用越狱 。这两点必须放在一起读：网络能力强，不等于整体安全性已经得到保证 。

外部批评还指出，对 GPT-5.5 安全性的判断很大程度上依赖 OpenAI 自身披露，这限制了外界仅凭公开信息能得出的结论 。

怎么选：按任务测试，不按热度下注

• 如果重点是抽象推理：GPT-5.5 在现有 ARC-AGI 分数中更有优势，尤其是 ARC-AGI-2 Verified 。
• 如果重点是多工具代理和 MCP 工作流：Claude Opus 4.7 在 MCP-Atlas 上的 79.1% 优于 GPT-5.5 的 75.3%，更值得优先验证 。
• 如果重点是终端式代码代理：GPT-5.5 的 Terminal-Bench 2.0 82.7% 是最清楚的数字信号，但仍需要用自己的代码库和任务流复测 。
• 如果必须考虑开放权重模型：DeepSeek V4 与 Kimi K2.6 都值得进入候选池，但现有来源不足以把它们与 GPT-5.5、Claude Opus 4.7 做完整同表排名 。
• 如果是安全敏感场景：能力基准、网络靶场结果、越狱风险和安全评估独立性要分开看，不能混成一个“安全分” 。

结论

最诚实的比较不是“谁是唯一最强模型”，而是：GPT-5.5 在现有 ARC-AGI 分数中领先 Claude Opus 4.7，并在代码代理方向有最明确数字；Claude Opus 4.7 在 MCP-Atlas 工具编排上领先；DeepSeek V4 与 Kimi K2.6 是开放权重生态中的重要候选，但现有资料不足以在同一批基准上把它们排进完整名次 。

真正做产品决策时，最稳妥的做法仍然是把候选模型放到自己的任务集里跑一遍：看推理、工具调用、代码修改、响应延迟、部署约束、预算和可接受风险。基准测试是路标，不是终点。