四大 AI 模型跑分點揀？唔係排總榜，而係睇你要做咩

先睇結論：每類工作先試邊個？

• 終端機型代理編程：可以先試 GPT-5.5。OpenAI 指 GPT-5.5 在 Terminal-Bench 2.0 達 82.7%；公開比較表中，Claude Opus 4.7 為 69.4%，Kimi K2.6 為 66.7% 。
• 真實 GitHub issue 修復、代碼維護：Claude Opus 4.7 係較強的一線候選。公開資料報告其 SWE-Bench Pro 為 64.3%、SWE-Bench Verified 為 87.6%，高於 GPT-5.5 在 SWE-Bench Pro 的 58.6% 。
• 長上下文、多模態輸入：Kimi K2.6 值得放入候選名單。Kimi K2.6 被介紹為支援文字、圖片、影片輸入，並有 256k context route 。
• 成本敏感的大量 API 呼叫：DeepSeek V4 價格較搶眼。Mashable 整理的 API 價格顯示，每 100 萬 tokens，DeepSeek V4 輸入 US$1.74、輸出 US$3.48；GPT-5.5 為輸入 US$5、輸出 US$30；Claude Opus 4.7 為輸入 US$5、輸出 US$25 。

核心跑分對照表

下表入面的「—」只代表在提供的公開來源中，暫時未見可直接對應的同名基準測試數字；不代表該模型做不到相關工作。

GPT-5.5：終端機型代理編程的強候選

OpenAI 表示，GPT-5.5 在 Terminal-Bench 2.0 達 82.7%，在 SWE-Bench Pro 達 58.6% 。按 OpenAI 的說法，Terminal-Bench 2.0 測試的是需要規劃、反覆嘗試、協調工具的複雜命令列工作流；SWE-Bench Pro 則評估模型解決真實 GitHub issue 的能力 。

所以，如果你的產品工作流涉及 sandbox 執行、shell 指令、CI 重現、建立及修改檔案，甚至要模型長時間喺終端機入面自己摸索，GPT-5.5 值得優先測試。不過，SWE-Bench Pro 方面，Claude Opus 4.7 的 64.3% 高於 GPT-5.5 的 58.6%；因此唔應直接推論「所有編程工作都係 GPT-5.5 贏」。

Claude Opus 4.7：較適合代碼修補、審核型工作

Claude Opus 4.7 被報告在 SWE-Bench Pro 達 64.3%，SWE-Bench Verified 達 87.6% 。DataCamp 亦整理指，Opus 4.7 被放到 14 個基準測試中評估，範圍包括 coding、reasoning、工具使用、電腦使用同視覺推理 。

同 GPT-5.5 的共通比較入面，Claude Opus 4.7 在 GPQA Diamond 為 94.2% 對 GPT-5.5 的 93.6%，在 MCP Atlas 為 79.1% 對 GPT-5.5 的 75.3% 。相反，Terminal-Bench 2.0 同 BrowseComp 則係 GPT-5.5 的公開值較高 。

換句話講，Claude Opus 4.7 未必係所有終端機自動化場景的絕對王者；但如果任務係修 issue、改 code、review、重構、檢查邏輯一致性，它應該係第一批要試的模型。

Kimi K2.6：長多模態輸入吸引，但要睇清跑分條件

Kimi K2.6 被列出 SWE-Bench Pro 58.6%、SWE-Bench Verified 80.2%；另有指南列出 Terminal-Bench 2.0 66.7%、HLE with tools 54.0% 。不過，同一份指南說明 K2.6 數字來自 Moonshot AI 官方模型卡，並對 SWE-Bench Pro 加上 Moonshot in-house harness 的註腳 。

因此，即使 Kimi K2.6 的 SWE-Bench Pro 58.6% 在數字上同 GPT-5.5 的 58.6% 一樣，都唔應直接當成「完全同條件打和」。Kimi K2.6 更值得留意的，是它被介紹為支援文字、圖片、影片輸入，以及 256k context route；如果你的應用要處理好長文件、截圖、影片或跨模態材料，值得單獨做實測 。

DeepSeek V4：價錢有吸引力，但準確性要自己驗證

在今次表格涉及的 Terminal-Bench、SWE-Bench Pro、SWE-Bench Verified、GPQA Diamond 等項目上，提供來源內未有足夠公開數字可把 DeepSeek V4 直接放入同一行比較。另一方面，Artificial Analysis 指 DeepSeek V4 Pro Max 在 AA-Omniscience 得分為 -10，較 V3.2 改善 11 分；V4 Flash Max 則為 -23 。同一來源亦報告 V4 Pro 及 V4 Flash 的幻覺率分別為 94% 及 96%，並解讀為模型在不知道答案時幾乎仍會作答 。

架構同成本方面，DeepSeek V4 仍有值得研究的地方。DataCamp 指 DeepSeek V4 使用 Mixture of Experts 架構；Pro 模型總參數為 1.6 兆、啟用參數為 490 億，Flash 模型總參數為 2,840 億、啟用參數為 130 億 。Mashable 整理的 API 價格亦顯示，DeepSeek V4 較 GPT-5.5 同 Claude Opus 4.7 便宜 。

所以，DeepSeek V4 較適合放入成本敏感的大量處理、內部可驗證流程、開放權重路線評估之中。但如果你的產品重視正確性，就要配合自家評測、後處理、失敗偵測同人工抽查；高幻覺率報告同共通跑分空白都唔應忽視 。

使用場景選擇指南

點解唔應急住宣布總冠軍？

第一，提供來源內未有足夠證據顯示四個模型在同一 prompt、同一工具存取、同一推理預算、同一評分器下完成完整獨立比較。GPT-5.5 同 Claude Opus 4.7 的共同比較相對多；Kimi K2.6 混合模型卡及 in-house harness 數字；DeepSeek V4 則在多個共通基準測試行入面留白 。

第二，同一個 benchmark 名稱，實際執行條件都可以唔同。有整理資料指出，GPT-5.5 同 Claude Opus 4.7 的公開分數在形式上可比較，但不代表方法論完全一致 。Anthropic 亦披露，其 Terminal-Bench 2.0 評估使用 Terminus-2 harness，並有特定資源條件 。

第三，跑分只係產品品質的一部分。真正導入時，除了正確率，仲要睇失敗模式、幻覺率、延遲、成本、工具呼叫穩定性、安全政策同 log 可重現性。ExplainX 亦提醒，leaderboard 定義、prompt 同工具政策都會令分數變動；公開跑分應視為快照，而唔係取代自家 eval harness 。

最後點揀？

以現有公開證據計，較務實的策略係：終端機型代理編程先試 GPT-5.5，SWE-Bench 類代碼修補先試 Claude Opus 4.7，長多模態上下文把 Kimi K2.6 放入候選，成本敏感的大量呼叫評估 DeepSeek V4 。

但如果你要把模型放入正式產品，最穩陣仍然係用自己真實 prompt、真實資料、真實工具權限做小型回歸測試。公開跑分可以幫你縮窄 shortlist；最後拍板，應該交畀你自己的任務表現、成本同風險要求 。