問 GPT-5.5 同 Claude Opus 4.7 邊個寫 code 更好，最容易踩中的坑，是把「coding」當成一個單一能力。實際上，修一個現有 repo 的 bug、令 test pass、整理 PR diff，跟一個 agent 在 terminal 入面反覆行命令、讀 log、再調整下一步，是兩種不同工作。
公開數字顯示：Claude Opus 4.7 在 repo 修正、測試通過類 benchmark 較有利；GPT-5.5 則在 Terminal-Bench 2.0 這類 CLI agent 評測有較強訊號。[16][
18][
29]
一句講晒
如果你要的是「改現有 codebase、修 bug、產出可開 PR 的 patch」，先試 Claude Opus 4.7。相反，如果你要的是「會自己跑 build、行 test、睇 log、調 CLI 工具的開發 agent」，先試 GPT-5.5。[16][
18]
快速選擇表
| 你要做的事 | 先試邊個 | 公開根據 | 點解要小心 |
|---|---|---|---|
| 改 repo、fix bug、令 test pass、出 PR patch | Claude Opus 4.7 | SWE-bench Pro：Claude 64.3%；報道列 GPT-5.5 58.6%、Claude 64.3%。[ | SWE-bench 有多個變體，供應商可能強調自己較有利的指標。[ |
| Terminal／CLI 型 coding agent | GPT-5.5 | Terminal-Bench 2.0：GPT-5.5 82.7、Claude Opus 4.7 69.4。[ | 它主要量度命令列規劃、迭代同工具協調，不等於所有 code quality。[ |
| 瀏覽、搜尋、工具呼叫混合的開發輔助 | 混合評估 | BrowseComp：GPT-5.5 84.4%、Claude 79.3%；MCP Atlas：GPT-5.5 75.3%、Claude 79.1%。[ | 工具使用評測不是 coding 專用評測。 |
| 長時間 agent loop 控制 | Claude Opus 4.7 亦值得列入 | Anthropic 稱 Opus 4.7 是其用於複雜推理和 agentic coding 的最強 generally available 模型；另有 xhigh effort 相關設定。[ | 實際表現好受 harness、prompt、權限、測試環境影響。 |
Claude Opus 4.7 更有說服力的場景
Claude Opus 4.7 最值得先試的，是「讀現有 codebase → 找出失敗原因 → 做小 patch → 令 test pass」這類工作。Anthropic 對外標示 Opus 4.7 在 SWE-bench Pro 有 64.3%，而比較 GPT-5.5 的報道亦把 Claude Opus 4.7 在同一指標列為較高分，GPT-5.5 為 58.6%。[16][
29]
這個方向亦符合 Anthropic 對 Opus 4.7 的定位。Anthropic 的 Claude API release notes 指出，2026年4月16日推出 Claude Opus 4.7，並稱它是該公司用於複雜推理和 agentic coding 的最強 generally available 模型。[24]
功能上，Opus 4.7 亦明顯針對長任務作調整。它加入 beta 功能 task budgets1] Anthropic 亦在品質報告更新中表示，Opus 4.7 用戶預設使用
xhigh effort，其他模型則預設為 high effort。[27]
所以，如果你的工作包括以下幾類，Claude Opus 4.7 應該排在 A/B test 的前面：
- 在現有 repo 重現 bug，再做修正
- 分析 failed tests，做最小改動 patch
- 產出可交給 reviewer 的 PR diff
- 讀懂較多 codebase context，再穩定地修改
但這不等於「所有 coding Claude 都一定贏」。SWE-bench 系列本身有多個變體，而且有分析提醒，供應商可能突出對自己較有利的指標。[4] 因此，SWE-bench Pro 分數適合用來篩選候選模型，不適合直接當成你公司 repo 的最終答案。
GPT-5.5 更有說服力的場景
GPT-5.5 的強項訊號，較集中在 terminal／CLI 型開發 agent。VentureBeat 整理的 Terminal-Bench 2.0 表格顯示，GPT-5.5 為 82.7，Claude Opus 4.7 為 69.4。[18]
這個差距之所以值得留意，是因為 Terminal-Bench 2.0 並不是單純叫模型生成一段 code。該 benchmark 被描述為模擬複雜命令列工作流，需要 planning、iteration 同 tool coordination。[16] 換句話講，它更接近一個 agent 自己執行命令、讀 terminal output、縮窄錯誤來源、再行下一輪 test 的工作方式。
以下工作流，可以先把 GPT-5.5 放在比較名單前面：
- 反覆執行 build、test、lint、migration 指令
- 讀 log 和 terminal output，再決定下一個命令
- 串連多個 CLI 工具去解決問題
- 重點不是生成新 code，而是操作開發環境和排錯流程
不過，Terminal-Bench 2.0 高分不等於所有 bug fix 或 PR quality 都較好。CLI workflow 能力和最終 patch 質素有重疊，但不是同一條評分軸。[16][
18]
工具使用評測：唔係一面倒
如果把範圍擴大到瀏覽和工具呼叫，結果並不單向。OpenAI 介紹 GPT-5.5 的表格顯示，BrowseComp 是 GPT-5.5 84.4%、Claude Opus 4.7 79.3%；但 MCP Atlas 則是 GPT-5.5 75.3%、Claude Opus 4.7 79.1%。[8]
所以，單講「邊個工具使用能力強」其實太粗疏。你要分清楚：是大量搜尋和瀏覽的開發助手？是控制本機 terminal 的 agent？還是針對現有 repo 做修補的 patch generator？不同場景，需要的能力不一樣。
睇 benchmark 時，三個伏要避開
第一，唔好把 overall ranking 當 coding ranking。例如 BenchLM 的 overall ranking 顯示 GPT-5.4 為 88 分、Claude Opus 4.7 為 86 分；但這不是 GPT-5.5，而且也不是 coding 專用評測。[13]
第二，唔好用一個 SWE-bench Pro 分數判斷所有 coding 能力。SWE-bench 有多個變體，供應商亦可能挑選較有利的指標來呈現結果。[4]
第三，唔好把 terminal benchmark 等同 code quality benchmark。Terminal-Bench 2.0 更偏向命令列規劃、反覆嘗試同工具協調；至於模型能否交出 reviewer 願意 merge 的 patch，仍然要另外驗證。[16][
18]
實際團隊應該點樣 A/B test？
公開 benchmark 最有用的地方，是幫你收窄候選名單。真正決定要喺自己 repo 入面做。比較 GPT-5.5 同 Claude Opus 4.7 時，盡量保持條件一致：
- 同一個 branch、同一個 commit 開始
- 給同一份 issue 描述和重現步驟
- 用同一組 test command 和 timeout
- 給同一套工具權限，例如 terminal、filesystem、package manager
- 設定相近的時間或 token budget
- 用同一把尺做 code review
評分亦不應只看「答啱未」。對開發團隊來講，更實用的指標包括：
- 第一次嘗試是否已經 test pass
- 需要幾多次 retry 或人手介入
- diff 是否過大、是否改到不相關地方
- 有沒有引入 security、performance、type safety regression
- reviewer 是否真的願意 merge
- 成本和 latency 是否配合團隊日常用量
最後建議
如果你的主要目標是 issue 修復、bug fix、test pass、PR patch，先試 Claude Opus 4.7。公開 SWE-bench Pro 訊號對 Claude Opus 4.7 較有利。[16][
29]
如果你的主要目標是 terminal 命令執行、log 分析、build／test 迭代、CLI 工具組合，先試 GPT-5.5。Terminal-Bench 2.0 的公開報道顯示 GPT-5.5 高於 Claude Opus 4.7。[18]
最安全的結論其實好簡單：改 codebase 的 coding，Claude Opus 4.7 先上；terminal 自動化為主的 agentic coding，GPT-5.5 先上。最後用你自己的 repo、測試和 review 標準，揀出更常交到可 merge code 的那一個。
