GPT-5.5 对比 Claude Opus 4.7、DeepSeek V4 和 Kimi K2.6：基准结果怎么读

DeepSeek V4 的看点是价格性能比。 VentureBeat 给出的 BrowseComp 数字显示，DeepSeek V4 为 83.4%，只比 GPT-5.5 的 84.4% 低 1.0 个百分点，并高于 Claude Opus 4.7 的 79.3% 。Mashable 同时列出 DeepSeek V4 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，低于 GPT-5.5 的 5/30 美元和 Claude Opus 4.7 的 5/25 美元 。

Kimi K2.6 技术上值得关注，但这组资料不足以排名。 DocsBot 将 Kimi K2.6 描述为 Moonshot AI 的开源、原生多模态、Agentic 模型，采用 1T 参数 MoE 架构、32B 激活参数和 256K 上下文 。但这里缺少足够的、与 GPT-5.5、Claude Opus 4.7、DeepSeek V4 直接对照的基准数值 。

一张表看懂四个模型

为什么不能像看体育比赛一样排第一第二？

最大的限制来自数据口径。DataCamp 在相关前沿模型对比中提醒，一些基准分数可能是厂商报告，测试 harness，也就是运行脚本和配置，也可能不同 。这意味着，一个模型在某个配置下领先，不代表换一个测试环境仍然领先。

模型变体也会影响结果。Artificial Analysis 提到的是 GPT-5.5 xhigh、GPT-5.5 high，以及带 Adaptive Reasoning 和 Max Effort 的 Claude Opus 4.7 。VentureBeat 引用 DeepSeek 时涉及 DeepSeek-V4-Pro-Max 。对推理、代码和 Agent 任务来说，是否使用工具、推理强度、上下文管理和测试流程都可能改变分数。

所以，更实际的问题是：你的工作负载是哪一种？

综合能力：GPT-5.5 目前最稳

在可引用的 Artificial Analysis Intelligence Index 片段中，GPT-5.5 xhigh 以 60 分排第一，GPT-5.5 high 以 59 分排第二，Claude Opus 4.7 以 57 分排第三 。这支持了一个相对谨慎的判断：在这一综合指数片段中，GPT-5.5 对 Claude Opus 4.7 有轻微但明确的领先 。

不过，同一片段没有给出 DeepSeek V4 和 Kimi K2.6 在四模型对比中可直接引用的完整指数分数，因此不能据此完成严格的四方总排名 。

BrowseComp：DeepSeek V4 离 GPT-5.5 很近

BrowseComp 是这组资料里最清晰的三方对比之一。VentureBeat 给出的数字是：GPT-5.5 Pro 为 90.1%，GPT-5.5 为 84.4%，DeepSeek V4 为 83.4%，Claude Opus 4.7 为 79.3% 。

但 VentureBeat 也指出，DeepSeek-V4-Pro-Max 在可直接比较的基准上并没有整体取代 GPT-5.5 或 Claude Opus 4.7 。更稳妥的结论是：DeepSeek V4 在 BrowseComp 上非常接近 GPT-5.5，但不能只凭这一项就宣布总冠军 。

代码与软件工程：Claude 赢 SWE，GPT 赢 Terminal

代码类测试没有绝对赢家。Claude Opus 4.7 在 SWE-Bench Pro 中为 64.3%，高于 GPT-5.5 的 58.6% 。Vellum 还列出 Claude Opus 4.7 在 SWE-Bench Verified 上为 87.6% 。但在 Terminal-Bench 2.0 中，GPT-5.5 为 82.7%，明显高于 Claude Opus 4.7 的 69.4% 。

DeepSeek V4 和 Kimi K2.6 在这部分缺少同等清晰的直接对照表。VentureBeat 提到 DeepSeek V4 在若干可比较基准上接近领先模型，但可直接摘出的最明确数字仍是 BrowseComp 。DocsBot 对 Kimi K2.6 主要提供架构与能力描述，而不是完整的四模型代码基准矩阵 。

推理、知识与专业任务：领先者随题目变化

在知识与推理类测试中，GPT-5.5 和 Claude Opus 4.7 很接近，谁领先取决于测试内容和工具设置。GPQA Diamond 中，GPT-5.5 为 93.6%，Claude Opus 4.7 为 94.2% 。Humanity’s Last Exam 中，不使用工具时 GPT-5.5 为 40.6%，Claude Opus 4.7 为 31.2%；使用工具时，Claude Opus 4.7 为 54.7%，略高于 GPT-5.5 的 52.2% 。

专业和 Agentic 基准也呈现交错格局。Vellum 列出 GPT-5.5 在 GDPval 上为 84.9%，Claude Opus 4.7 为 80.3%；OSWorld-Verified 中 GPT-5.5 为 78.7%，Claude Opus 4.7 为 78.0%；MCP Atlas 中 GPT-5.5 为 75.3%，Claude Opus 4.7 为 79.1% 。OpenAI 列出的 FinanceAgent v1.1 中，GPT-5.5 为 60.0%，Claude Opus 4.7 为 64.4% 。

Anthropic 还提到一项内部 research-agent 基准：Claude Opus 4.7 在六个模块中并列最高总分 0.715，并在 General Finance 模块中达到 0.813，高于 Opus 4.6 的 0.767 。由于这是内部基准，而且没有同等覆盖四个模型，更适合作为 Claude Agentic 能力的参考，而不是独立四方排名 。

价格与上下文：DeepSeek V4 最抢眼

真正落地使用时，贵一倍还是便宜一半，往往比单项分数差 1 个百分点更重要。Mashable 给出的价格显示，DeepSeek V4 为每 100 万输入 token 1.74 美元、每 100 万输出 token 3.48 美元，并标注 100 万 token 上下文窗口 。同一来源列出 GPT-5.5 为输入 5 美元、输出 30 美元，Claude Opus 4.7 为输入 5 美元、输出 25 美元，二者也标注 100 万 token 上下文窗口 。

Kimi K2.6 在这里属于另一类讨论。DocsBot 将其描述为开源、原生多模态、Agentic 模型，具备 1T 参数 MoE 架构、32B 激活参数、256K 上下文，并可扩展到 300 个子 Agent 和 4,000 个协同步骤 。这些是重要技术参数，但不能替代与 GPT-5.5、Claude Opus 4.7、DeepSeek V4 的直接基准和价格对比 。

如果要选模型，应该从哪里开始？

结论

如果只看这组可用证据，GPT-5.5 是最稳的综合型选择：它领先可用的 Artificial Analysis 片段，在 BrowseComp 和多项专业评测中也表现强劲 。Claude Opus 4.7 仍然是顶级模型，尤其在 SWE-Bench Pro、SWE-Bench Verified、GPQA Diamond 和部分金融 Agent 任务中很有竞争力 。DeepSeek V4 的最大亮点是性价比：BrowseComp 几乎追平 GPT-5.5，同时引用的 API 价格明显更低 。Kimi K2.6 则应保持开放但谨慎的态度：技术描述很吸引人，但这组资料不足以给它做严格排名 。