studioglobal
熱門發現
答案已發布10 來源

GPT-5.5 對 Claude Opus 4.7：邊個 benchmark 先啱你個 workload？

冇絕對贏家：GPT 5.5 在 Terminal Bench 2.0 以 82.7% 對 69.4% 明顯領先；Claude Opus 4.7 在 SWE Bench Pro 以 64.3% 對 58.6% 領先。 Reasoning 方面，Claude Opus 4.7 在 GPQA Diamond 只係微微高過 GPT 5.5：94.2% 對 93.6%，差距細到唔應該單靠呢個分數拍板。

使用 Studio Global AI 搜尋並查核事實從「發現」瀏覽更多內容
17K0
Minh họa so sánh benchmark GPT-5.5 và Claude Opus 4.7 cho coding, agent và reasoning
GPT-5.5 vs Claude Opus 4.7: benchmark nào đáng tin cho coding, agent và reasoningCác benchmark GPT-5.5 vs Claude Opus 4.7 nên được đọc theo workload: terminal agents, sửa issue phần mềm, tool orchestration và reasoning.
AI 提示

Create a landscape editorial hero image for this Studio Global article: GPT-5.5 vs Claude Opus 4.7: benchmark nào đáng tin cho coding, agent và reasoning?. Article summary: Không có người thắng tuyệt đối: GPT 5.5 nổi bật ở terminal/agentic coding với Terminal Bench 2.0 đạt 82,7% so với 69,4%, còn Claude Opus 4.7 dẫn SWE Bench Pro với 64,3% so với 58,6%; các số này nên dùng làm điểm lọc,.... Topic tags: ai, openai, anthropic, claude, chatgpt. Reference image context from search candidates: Reference image 1: visual subject "# So sánh GPT-5.5 với Claude Opus 4.7. GPT-5.5 và Claude Opus 4.7 là hai model AI hàng đầu ra mắt cách nhau chỉ một tuần tháng 4/2026, không có winner rõ ràng khi benchmarks chia t" source context "So sánh GPT-5.5 với Claude Opus 4.7 | Viết bởi vninfinity" Reference image 2: visual subject "# So sánh GPT-5.5 với Claude Opus 4.7. GPT-5.5 và Claude Opus 4.7 là hai model

openai.com

如果你想用一張 leaderboard 決定 GPT-5.5 定 Claude Opus 4.7，答案其實係：唔好咁做。現有公開 benchmark 未能支持「GPT-5.5 全面好過 Claude Opus 4.7」或者相反嘅結論。比較清晰嘅訊號係按工作類型拆開睇：GPT-5.5 喺 terminal、browsing 同部分長流程 agent workflow 較強；Claude Opus 4.7 則喺 SWE-Bench Pro、MCP Atlas，以及部分 reasoning/tooling benchmark 佔優 [5][6][11]。

更重要係，呢批分數有唔少來自供應商公布或第三方整理。LLM Stats 亦提醒，GPT-5.5 部分分數可能屬 self-reported，即由模型供應商自行回報，未必已經有獨立驗證 [8]。所以，公開 benchmark 最好用嚟篩選候選模型，唔好直接當成產品選型嘅最後答案。

先睇總表：邊個 benchmark 代表咩意思？

BenchmarkGPT-5.5Claude Opus 4.7應該點讀
Terminal-Bench 2.082.7%69.4%GPT-5.5 優勢明顯。OpenAI 形容呢個 benchmark 測試複雜 command-line workflow，需要 planning、iteration 同工具協調 [5][11][23]。
SWE-Bench Pro58.6%64.3%Claude Opus 4.7 領先。呢個評測聚焦真實 GitHub issue resolution；OpenAI 亦公布 GPT-5.5 在此得 58.6% [5][11][23]。
GPQA Diamond93.6%94.2%Claude 微微領先 0.6 個百分點，但差距太細，唔適合當所有 reasoning 任務嘅決定性證據 [5][11]。
BrowseComp84.4%79.3%GPT-5.5 在 Vellum 同 Mashable 對照表都領先 [5][11]。
GDPval84.9%80.3%GPT-5.5 在 Vellum 表中領先 [5]。
OSWorld-Verified78.7%78.0%GPT-5.5 只係些微領先，實際產品 workflow 要再自行測 [5]。
MCP Atlas75.3%79.1%Claude Opus 4.7 在 Vellum 表中領先；呢類 benchmark 較接近 tool orchestration 能力 [5]。
FrontierMath T1–351.7%43.8%GPT-5.5 在 Vellum 表中領先 [5]。
FinanceAgent v1.1未有完整對照數字DataCamp 記錄 Claude Opus 4.7 為 64.4%LLM Stats 指 Claude 在 FinanceAgent v1.1 領先，但此處來源未提供完整成對數字，應審慎解讀 [3][6]。
Humanity’s Last Exam來源不一致來源不一致唔建議用嚟做 tie-breaker，除非你可以用同一 setup 重跑；LLM Stats、Mashable 同 o-mega 俾出嘅訊號並不一致 [6][9][11]。

如果照 LLM Stats 嘅整理，在雙方都有回報嘅 10 個 benchmark 入面，Claude Opus 4.7 領先 6 個，GPT-5.5 領先 4 個。LLM Stats 同時總結，Claude 嘅優勢較集中喺 reasoning-heavy 同 review-grade 測試；GPT-5.5 嘅優勢就較集中喺長時間 tool-use 同 shell-driven tasks [6]。呢個總結有參考價值，但解決唔到 Humanity’s Last Exam 呢類來源互相矛盾嘅問題 [6][9][11]。

Coding：Terminal-Bench 同 SWE-Bench 唔係量度同一樣嘢

講 coding，好多人會直接問邊個「寫 code 勁啲」。但公開數據顯示，答案要先分清你係做 terminal agent，定係做真實 repo issue 修復。

如果你嘅產品係 CLI copilot、DevOps assistant，或者 coding agent 需要自己跑 test、睇 error、改 file、再迭代，GPT-5.5 係較值得優先試嘅候選。GPT-5.5 在 Terminal-Bench 2.0 得 82.7%，高過 Claude Opus 4.7 嘅 69.4% [5][11]。OpenAI 指 Terminal-Bench 2.0 測試複雜 command-line workflow，當中需要 planning、iteration 同 tool coordination [23]。

但如果你嘅任務更似「喺真實 codebase 入面修 GitHub issue」，Claude Opus 4.7 嘅訊號更強。Claude 在 SWE-Bench Pro 得 64.3%，高過 GPT-5.5 嘅 58.6% [5][11]。OpenAI 將 SWE-Bench Pro 描述為評估真實 GitHub issue resolution 能力嘅 benchmark [23]。換句話講，做 bug fixing、repo 內改動、或者 review-grade software tasks，Claude Opus 4.7 應該入第一輪 shortlist。

至於 SWE-Bench Verified，呢批來源未夠乾淨，唔適合用嚟直接判勝負。MindStudio 記錄 Claude Opus 4.7 為 82.4%，但 APIyi 同 DataCamp 記錄為 87.6%；而提供嘅來源亦冇畀出一組穩定、同條件嘅 GPT-5.5 對 Claude Opus 4.7 數字 [1][2][3]。

Agent workflow：GPT-5.5 領先多個項目，但 Claude 仍有強區

Agent 類任務要拆得更細。假如你嘅 workflow 偏向 shell、browser、OS 操作，GPT-5.5 有較多正面訊號。Vellum 表中，GPT-5.5 在 BrowseComp 以 84.4% 對 79.3% 領先、GDPval 以 84.9% 對 80.3% 領先、OSWorld-Verified 以 78.7% 對 78.0% 輕微領先 [5]。Mashable 亦記錄 GPT-5.5 在 BrowseComp 以同一組 84.4% 對 79.3% 領先 [11]。LLM Stats 另指 GPT-5.5 在 CyberGym 領先，但提供片段未顯示百分比分數 [6]。

Claude Opus 4.7 並唔係冇優勢。Vellum 表中，Claude 在 MCP Atlas 以 79.1% 對 GPT-5.5 嘅 75.3% 領先 [5]。LLM Stats 指 Claude 在 FinanceAgent v1.1 領先，而 DataCamp 記錄 Claude Opus 4.7 在 FinanceAgent v1.1 得 64.4% [3][6]。Anthropic 亦形容 Claude Opus 4.7 係新一代 Opus model，在 coding、agents、vision 同 multi-step tasks 上更強 [28]。

所以，若你做嘅係 shell automation、browsing/search-style workflow、OS-style 操作，GPT-5.5 值得先試；若你做嘅係較結構化嘅 tool orchestration、MCP workflow，或者 finance-agent 類任務，Claude Opus 4.7 唔應該太早被剔走。

Reasoning：GPQA 好接近，HLE 暫時唔穩陣

GPQA Diamond 方面，Claude Opus 4.7 得 94.2%，GPT-5.5 得 93.6% [5][11]。Claude 係領先，但只高 0.6 個百分點。對科學問答、專業分析、長推理任務嚟講，呢個差距未足以證明 Claude 一定更啱你個 use case；更合理做法係用你自己嘅題庫同評分準則，同時測兩個模型。

Humanity’s Last Exam 就更加要小心。LLM Stats 指 Claude Opus 4.7 在 HLE no tools 同 HLE with tools 都領先 [6]。但 Mashable 記錄 HLE no tools 係 GPT-5.5 40.6% 對 Opus 4.7 31.2%，而 HLE with tools 則係 Claude 54.7% 對 GPT-5.5 52.2% [11]。o-mega 又提供另一組 HLE 數字 [9]。當來源未能對齊，HLE 暫時唔應該成為決定模型選型嘅最後一票。

實際應該點揀？

如果你最重視 terminal agent、shell workflow、test loop、長流程 automation，可以先試 GPT-5.5。Terminal-Bench 2.0 對 GPT-5.5 嘅支持最明顯：82.7% 對 Claude Opus 4.7 嘅 69.4% [5][11][23]。按 Vellum 同 Mashable 嘅數據，GPT-5.5 亦值得優先測 browsing/search-style workflow、GDPval、OSWorld-Verified 同 FrontierMath T1–3 [5][11]。

如果你最重視真實軟件 issue 修復，尤其係 SWE-Bench Pro 類型任務，Claude Opus 4.7 應該先入 shortlist，因為它在 SWE-Bench Pro 領先 GPT-5.5 [5][11]。Claude 亦值得用於 GPQA-style scientific reasoning、MCP/tool orchestration 同 finance-agent workflow 嘅直接測試，相關依據包括 GPQA Diamond、MCP Atlas、FinanceAgent v1.1 以及 LLM Stats 嘅整理 [3][5][6][11]。

最穩陣做法唔係問「邊個模型最強」，而係將你嘅工作拆成四類：repo 內 coding、terminal/agent automation、無工具 reasoning、以及有工具 workflow。每一類都用同一批 prompt、同一組工具權限、同一 sampling 設定、同一 reasoning effort，同一套評分準則去跑。公開 benchmark 可以話你知由邊度開始試；但真正決定產品用邊個模型，仍然要靠你自己嘅 eval。尤其係當部分公開分數可能係自報或未經獨立驗證時，內部測試先係最後防線 [8]。

Studio Global AI

Search, cite, and publish your own answer

Use this topic as a starting point for a fresh source-backed answer, then compare citations before you share it.

使用 Studio Global AI 搜尋並查核事實

重點

  • 冇絕對贏家：GPT 5.5 在 Terminal Bench 2.0 以 82.7% 對 69.4% 明顯領先；Claude Opus 4.7 在 SWE Bench Pro 以 64.3% 對 58.6% 領先。
  • Reasoning 方面，Claude Opus 4.7 在 GPQA Diamond 只係微微高過 GPT 5.5：94.2% 對 93.6%，差距細到唔應該單靠呢個分數拍板。
  • SWE Bench Verified 同 Humanity’s Last Exam 等分數喺不同來源有出入；部分 GPT 5.5 分數亦可能係供應商自報、未經獨立驗證。

人們還問

「GPT-5.5 對 Claude Opus 4.7：邊個 benchmark 先啱你個 workload？」的簡短答案是什麼？

冇絕對贏家：GPT 5.5 在 Terminal Bench 2.0 以 82.7% 對 69.4% 明顯領先；Claude Opus 4.7 在 SWE Bench Pro 以 64.3% 對 58.6% 領先。

首先要驗證的關鍵點是什麼？

冇絕對贏家：GPT 5.5 在 Terminal Bench 2.0 以 82.7% 對 69.4% 明顯領先；Claude Opus 4.7 在 SWE Bench Pro 以 64.3% 對 58.6% 領先。 Reasoning 方面，Claude Opus 4.7 在 GPQA Diamond 只係微微高過 GPT 5.5：94.2% 對 93.6%，差距細到唔應該單靠呢個分數拍板。

接下來在實務上我該做什麼？

SWE Bench Verified 同 Humanity’s Last Exam 等分數喺不同來源有出入；部分 GPT 5.5 分數亦可能係供應商自報、未經獨立驗證。

接下來我應該探索哪個相關主題？

繼續“Claude Security 公測版：Anthropic 點樣用 AI 幫企業掃 code 漏洞”以獲得另一個角度和額外的引用。

開啟相關頁面

我應該將其與什麼進行比較？

對照「xAI Grok 4.3 API 解讀：1M context、低 token 價與語音平台野心」交叉檢查此答案。

開啟相關頁面

繼續你的研究

IT Consulting Orange County CA, IT Services, IT Outsourcing - Technijian. # Anthropic Claude Security for Enterprise: What You Need to Know. Anthropic has officially opened Claude

Claude Security 公測版：Anthropic 點樣用 AI 幫企業掃 code 漏洞

Claude Security 公測版：Anthropic 點樣用 AI 幫企業掃 code 漏洞

抽象 AI 介面顯示 Grok 4.3 API、1M context、token 價格與語音波形

xAI Grok 4.3 API 解讀：1M context、低 token 價與語音平台野心

xAI Grok 4.3 API：1M context、$1.25/$2.50 定價如何改變模型與語音競爭

小米 Q5、MIX 5 与小米 18 系列传闻的概念手机图

小米 Q5 係咪 MIX 5？最新風向更似小米 18 系列

小米 Q5 更可能唔係 MIX 5：最新線索指向小米 18 系列

Metas KI-Altersprüfung: Neue Regeln für Jugendliche in EU, USA und Brasilien

Meta 用 AI 查年齡：Instagram、Facebook 青少年規則點變？

Meta 新 AI 年齡核實：Instagram 同 Facebook 對青少年有咩新規？

研究對話

你

研究問題

So sánh một cách toàn diện benchmarks của GPT-5.5 vs Claude Opus 4.7

Studio Global AI36 來源

引用的答案

GPT-5.5 và Claude Opus 4.7 không có một bộ benchmark “chuẩn hóa, độc lập, cùng điều kiện” được công bố đầy đủ, nên so sánh dưới đây nên xem là tổng hợp có điều kiện. Nhìn chung: GPT-5.5 mạnh hơn ở tác vụ terminal/agentic thao tác môi trường, duyệt web, OS và một số benchmark kinh tế; Claude Opus 4.7 nhỉnh hơn ở coding dạng SWE-Bench Pro, reasoning nặng và agent tài chính theo các bảng tổng hợp hiện có [8][11].

Lưu ý về độ tin cậy

  • Nguồn chính thức của Anthropic có trang Claude Opus 4.7 và nói mô hình này cải thiện rõ ở tool calls, planning và agent decision-making, nhưng snippet công khai không cho đủ toàn bộ bảng số để đối chiếu trực tiếp với GPT-5.5 [3].
  • Nguồn OpenAI tìm được gồm GPT-5.5 System Card và tài liệu benchmark riêng như GeneBench, nhưng không thấy một trang chính thức duy nhất công bố toàn bộ bảng đối đầu GPT-5.5 vs Claude Opus 4.7 theo cùng format [1][9].
  • Vì vậy, các con số so sánh trực tiếp bên dưới chủ yếu dựa trên các nguồn tổng hợp/benchmark aggregator và bài phân tích bên thứ ba; cần coi là “tự báo cáo hoặc tổng hợp”, không phải kết quả kiểm định độc lập hoàn toàn [11][13].

Bảng benchmark chính

Nhóm benchmarkGPT-5.5Claude Opus 4.7Mô hình nhỉnh hơnNhận xét
Terminal-Bench 2.082.7%69.4%GPT-5.5GPT-5.5 dẫn khá xa ở tác vụ terminal/agentic trong môi trường dòng lệnh [8].
SWE-Bench Pro58.6%64.3%Claude Opus 4.7Claude Opus 4.7 nhỉnh hơn ở benchmark sửa lỗi/phát triển phần mềm thực tế dạng khó [8].
SWE-Bench VerifiedKhông đủ số nhất quán từ nguồn đối chiếu82.4% hoặc 87.6% tùy nguồnKhông kết luận chắcCó mâu thuẫn giữa nguồn bên thứ ba: một nguồn ghi Opus 4.7 đạt 82.4%, nguồn khác ghi 87.6% [4][6].
GPQA Diamond93.6%94.2%Claude Opus 4.7, rất sátChênh lệch nhỏ; một nguồn nhận định các frontier model gần như đã hội tụ trên GPQA Diamond [7][14].
GDPval84.9%80.3%GPT-5.5GPT-5.5 nhỉnh hơn ở đánh giá tác vụ kinh tế/công việc văn phòng theo bảng tổng hợp [8].
OSWorld-VerifiedCó lợi thế theo tổng hợpThấp hơn GPT-5.5GPT-5.5Nguồn tổng hợp nói GPT-5.5 dẫn ở OSWorld-Verified, nhưng snippet không hiển thị đầy đủ số [11].
CyberGymCó lợi thế theo tổng hợpThấp hơn GPT-5.5GPT-5.5Nguồn tổng hợp nói GPT-5.5 dẫn ở CyberGym, nhưng snippet không hiển thị đầy đủ số [11].
FinanceAgent v1.1Thấp hơn Opus 4.7 theo tổng hợpCao hơn GPT-5.5Claude Opus 4.7Nguồn tổng hợp nói Opus 4.7 dẫn ở FinanceAgent v1.1 [11].
MCP AtlasThấp hơn Opus 4.7 theo tổng hợpCao hơn GPT-5.5Claude Opus 4.7Nguồn tổng hợp nói Opus 4.7 dẫn ở MCP Atlas [11].
BrowseCompCao hơn Opus 4.7 theo tổng hợpThấp hơn GPT-5.5GPT-5.5Nguồn tổng hợp nói GPT-5.5 dẫn ở BrowseComp [11].
Humanity’s Last ExamNguồn mâu thuẫnNguồn mâu thuẫnKhông kết luận chắcLLM Stats nói Opus 4.7 dẫn HLE có và không có tools, trong khi một bài khác ghi GPT-5.5 cao hơn ở HLE và HLE with tools; đây là điểm không nên kết luận nếu chưa có bảng chính thức cùng điều kiện [11].

Kết luận theo từng loại tác vụ

  • Coding thực chiến: Claude Opus 4.7 có lợi thế trên SWE-Bench Pro với 64.3% so với GPT-5.5 là 58.6% [8]. Tuy nhiên GPT-5.5 lại vượt rõ ở Terminal-Bench 2.0 với 82.7% so với 69.4%, nên nếu tác vụ là agent thao tác terminal, chạy lệnh, điều hướng môi trường và tự động hóa, GPT-5.5 có vẻ mạnh hơn [8].

  • Reasoning khoa học/tri thức khó: Claude Opus 4.7 nhỉnh hơn trên GPQA Diamond với 94.2% so với GPT-5.5 khoảng 93.6%, nhưng mức chênh này nhỏ và có thể không đáng kể trong thực tế [7][14].

  • Agent và workflow công việc: GPT-5.5 dẫn ở GDPval với 84.9% so với Claude Opus 4.7 là 80.3%, đồng thời được tổng hợp là dẫn ở BrowseComp, OSWorld-Verified và CyberGym [8][11]. Claude Opus 4.7 được tổng hợp là dẫn ở MCP Atlas và FinanceAgent v1.1, tức có lợi thế ở một số workflow agent tài chính/điều phối công cụ [11].

  • Độ chắc chắn của so sánh: Chưa có đủ bằng chứng độc lập, cùng prompt, cùng sampling, cùng tool setup để nói mô hình nào “toàn diện hơn” một cách tuyệt đối. Kết luận thực dụng là GPT-5.5 có vẻ tốt hơn cho terminal agents, browsing/OS/cyber và một số workflow năng suất; Claude Opus 4.7 có vẻ tốt hơn cho SWE-Bench Pro, reasoning sát ngưỡng cao và một số agent tài chính [8][11].

Chọn mô hình nào?

  • Chọn GPT-5.5 nếu bạn ưu tiên:

    • Agent chạy terminal, automation, shell/tool execution [8].
    • Tác vụ OS, browsing, cyber hoặc workflow năng suất tổng quát [11].
    • Benchmark GDPval/công việc tri thức tổng quát [8].

  • Chọn Claude Opus 4.7 nếu bạn ưu tiên:

    • Coding kiểu sửa issue phức tạp trên repo thật, nhất là SWE-Bench Pro [8].
    • Reasoning khoa học khó, dù lợi thế trên GPQA Diamond là nhỏ [7][14].
    • Agent tài chính hoặc orchestration theo các benchmark như FinanceAgent v1.1 và MCP Atlas [11].

  • Nếu dùng cho sản phẩm thật, nên chạy eval nội bộ trên dữ liệu của bạn; benchmark công khai hiện tại chưa đủ đồng nhất để thay thế A/B test thực tế.

來源

  • [1] Claude Opus 4.7 Benchmark Breakdown: Vision, Coding, ...mindstudio.ai

    Claude Opus 4.7 posted 82.4% on SWE-bench Verified, up roughly 11 points from Opus 4.6 — the most meaningful coding benchmark available. Vision improvements were the largest percentage gains: MathVista jumped 9.5 points, enabling reliable visual math reason...

  • [2] Claude Opus 4.7 Benchmark Full Analysis: Empirical Data Leading ...help.apiyi.com

    Q1: What is Claude Opus 4.7? Claude Opus 4.7 is the flagship Large Language Model released by Anthropic on April 16, 2026. It leads in multiple benchmarks, including coding (SWE-bench Verified 87.6%), Agent tool invocation, and scientific reasoning (GPQA Di...

  • [3] Claude Opus 4.7 Benchmark: Memory & Effort Levels Testeddatacamp.com

    Note: Pricing is $5 per million input tokens and $25 per million output tokens which is identical to Opus 4.6. If you want to explore this model in depth, this article by DataCamp team is a good read. A few numbers worth knowing before we test it: Benchmark...

  • [5] Everything You Need to Know About GPT-5.5 - Vellumvellum.ai

    Benchmark GPT-5.5 GPT-5.5 Pro GPT-5.4 Claude Opus 4.7 Gemini 3.1 Pro --- --- --- Terminal-Bench 2.0 82.7% — 75.1% 69.4% 68.5% SWE-Bench Pro 58.6% — 57.7% 64.3% 54.2% Expert-SWE (Internal) 73.1% — 68.5% — — GDPval 84.9% 82.3% 83.0% 80.3% 67.3% OSWorld-Verifi...

  • [6] GPT-5.5 vs Claude Opus 4.7: Pricing, Speed, Benchmarks - LLM Statsllm-stats.com

    01 Which is better, GPT-5.5 or Claude Opus 4.7?On the 10 benchmarks both providers report,Opus 4.7 leads on 6 (GPQA, HLE no tools, HLE with tools, SWE-Bench Pro, MCP Atlas, FinanceAgent v1.1) andGPT-5.5 leads on 4 (Terminal-Bench 2.0, BrowseComp, OSWorld-Ve...

  • [8] GPT-5.5: Pricing, Benchmarks & Performance - LLM Statsllm-stats.com

    Show 18 more Self-reported by the model provider. Score may not be independently verified. Similar Models How GPT-5.5 compares to models with the closest performance across key benchmarks. GPT-5.5GPT-5.4Gemini 3.1 ProClaude Opus 4.7GPT-5.2 ProClaude Mythos...

  • [9] GPT-5.5: The Complete Guide (2026) - o-mega | AIo-mega.ai

    Reasoning, Math, and Science Benchmark GPT-5.5 GPT-5.5 Pro GPT-5.4 Claude Opus 4.7 Gemini 3.1 Pro --- --- --- MMLU 92.4% - - GPQA Diamond 93.6% 92.8% 94.2% 94.3% ARC-AGI-2 85.0% 73.3% 77.1% ARC-AGI-1 95.0% 93.7% - FrontierMath T1-3 51.7% 52.4% 47.6% 43.8% F...

  • [11] OpenAI's GPT-5.5 vs Claude Opus 4.7: Which is better? | Mashablemashable.com

    Thanks for signing up! SWE-Bench Pro: GPT-5.5 scored 58.6; Opus 4.7 scored 64.3 percent Terminal-Bench 2.0: GPT-5.5 scored 82.7 percent; Opus 4.7 scored 69.4 percent Humanity's Last Exam: GPT-5.5 scored 40.6 percent; Opus 4.7 scored 31.2 percent\ Humanity's...

  • [23] Introducing GPT-5.5 - OpenAIopenai.com

    Agentic coding GPT‑5.5 is our strongest agentic coding model to date. On Terminal-Bench 2.0, which tests complex command-line workflows requiring planning, iteration, and tool coordination, it achieves a state-of-the-art accuracy of 82.7%. On SWE-Bench Pro,...

  • [28] Introducing Claude Opus 4.7 - Anthropicanthropic.com

    Image 15: logo In our evals, we saw a double-digit jump in accuracy of tool calls and planning in our core orchestrator agents. As users leverage Hebbia to plan and execute on use cases like retrieval, slide creation, or document generation, Claude Opus 4.7...