Claude Opus 4.7 對 GPT-5.5：基準分數之外，點樣揀模型

一句講晒：Claude Opus 4.7 同 GPT-5.5 唔係「邊個全面贏晒」咁簡單，而係要睇你拎嚟做咩。Claude Opus 4.7 喺 SWE-bench Pro、GPQA Diamond、MCP Atlas 比較突出；GPT-5.5 就喺 Terminal-Bench 2.0、OSWorld-Verified、BrowseComp、FrontierMath 較強 。

更重要係，benchmark 並唔係同一把尺量到底。Artificial Analysis 將 GPT-5.5 放喺 xhigh 條件，同 Claude Opus 4.7 嘅 Non-reasoning、High Effort 條件比較；LLM Stats 亦提醒，兩個模型嘅分數更似係指出「適合邊類工作負載」，而唔係直接揀出一個總冠軍 。

Benchmark 快速對照

用途	Benchmark	Claude Opus 4.7	GPT-5.5	點樣解讀
編程修 issue	SWE-bench Pro	64.3%	58.6%	實際 GitHub issue 解決類工作，Claude 數字較高 。
終端機／CLI 工作	Terminal-Bench 2.0	69.4%	82.7%	檔案操作、script 執行、多步 CLI workflow，GPT-5.5 明顯領先 。
電腦使用	OSWorld-Verified	78.0%	78.7%	差距好細，但公開數字係 GPT-5.5 高 0.7 個百分點 。
搜尋／瀏覽 Agent	BrowseComp	79.3%	84.4%	搜尋同瀏覽任務偏向 GPT-5.5；GPT-5.5 Pro 另列為 90.1% 。
MCP 工具使用	MCP Atlas	79.1%	75.3%	工具使用唔係一律 GPT-5.5 贏，呢項 Claude 較高 。
科學推理	GPQA Diamond	94.2–94.3%	93.6%	差距細，但 Claude Opus 4.7 略高 。
高難度數學	FrontierMath T1-3／T4	43.8%／22.9%	51.7%／35.4%	數學難題方面 GPT-5.5 較清楚領先 。
綜合推理	HLE，no tools	31.2% 或 46.9%	40.6% 或 41.4%	不同來源數字有衝突，唔適合作為唯一 tie-breaker 。
工具輔助推理	HLE，with tools	54.7%	52.2%	有工具條件下，Claude 數字略高 。

編程：Claude 較似「讀大 repo」，GPT-5.5 較似「落 terminal 做嘢」

如果你關心嘅係真實 GitHub issue 修復，SWE-bench Pro 會係最值得睇嘅指標之一。公開數字顯示，Claude Opus 4.7 係 64.3%，GPT-5.5 係 58.6%，Claude 高出一截 。Vellum 亦將呢個差距解讀為 Anthropic 喺真實 issue 解決場景仍然較有優勢 。

但一轉去 Terminal-Bench 2.0，畫面即刻反轉。呢個 benchmark 量度嘅係真實 CLI workflow，包括檔案操作、script 執行、多步終端機任務；GPT-5.5 係 82.7%，Claude Opus 4.7 係 69.4% 。如果你嘅產品要 AI 幫手跑 shell command、改檔、巡 repo、執 script，GPT-5.5 值得優先試。

定性比較都大致同方向。Mindstudio 指出，GPT-5.5 喺需要精準工具使用同檔案導航嘅 coding 問題上稍強；Claude Opus 4.7 就較適合跨大型 codebase 做架構層面推理 。換句話講：你係想佢「深讀大工程再改好設計」，定係「喺 terminal 入面一步步做完任務」，會影響選擇。

SWE-bench Verified 就要小心睇。APIYI 同 LLM Stats 都列出 Claude Opus 4.7 嘅 SWE-bench Verified 為 87.6%，但就現有資料而言，GPT-5.5 喺完全相同條件下嘅對應數字未夠清楚 。同一個 benchmark 名，如果模型模式、測試 harness、重試規則唔同，結果可以唔同 。

Agent 同工具使用：GPT-5.5 覆蓋面廣，但 Claude 有反擊位

OpenAI 發布資料列出 OSWorld-Verified：GPT-5.5 係 78.7%，Claude Opus 4.7 係 78.0% 。差距只有 0.7 個百分點，實務上可能要再睇任務設計、工具穩定性同失敗復原能力；但按公開數字，GPT-5.5 略高 。

BrowseComp 嘅差距較明顯。OpenAI 同一份資料顯示，GPT-5.5 係 84.4%，GPT-5.5 Pro 係 90.1%，Claude Opus 4.7 係 79.3% 。如果你做嘅係搜尋、瀏覽、資料搜集型 agent，GPT-5.5 系列可以放喺優先候選。

不過，唔好將「工具使用」四個字直接等同 GPT-5.5 贏。MCP Atlas 入面，Claude Opus 4.7 係 79.1%，GPT-5.5 係 75.3% 。所以評估 agent 時，最好拆開測：瀏覽器搜尋、GUI 電腦操作、MCP 型工具調用、terminal automation，各自跑自己嘅樣本集。

推理：GPQA 偏 Claude，FrontierMath 偏 GPT-5.5

科學同專業知識推理方面，GPQA Diamond 顯示 Claude Opus 4.7 係 94.2–94.3%，GPT-5.5 係 93.6% 。差距唔算大，但按提供資料，Claude Opus 4.7 略佔上風 。

數學就相反。FrontierMath T1-3 入面，GPT-5.5 係 51.7%，Claude Opus 4.7 係 43.8%；更難嘅 FrontierMath T4，GPT-5.5 係 35.4%，Claude Opus 4.7 係 22.9% 。如果你嘅 workload 涉及高難度數學、形式化推理、反覆驗算，GPT-5.5 應該先試。

HLE 暫時唔適合作最後判官

Humanity’s Last Exam，簡稱 HLE，係今次比較入面最要打醒十二分精神嘅一項。Mashable 列出 no-tools 條件下 GPT-5.5 係 40.6%，Claude Opus 4.7 係 31.2%，即 GPT-5.5 領先 。但 o-mega 同 RDWorld 則列出 no-tools 條件下 GPT-5.5 係 41.4%，Claude Opus 4.7 係 46.9%，變成 Claude 領先 。

到 with tools 條件，Mashable 同 RDWorld 都列出 GPT-5.5 係 52.2%，Claude Opus 4.7 係 54.7%，Claude 略高 。問題係 no-tools 數字來源之間差異太大，所以 HLE 可以參考，但唔好單靠佢決定「綜合推理邊個贏」。

Context、成本、排行榜：有用，但唔好當成拍板理由

Context window 方面，來源寫法亦有差異。Artificial Analysis 將 GPT-5.5 標示為 922k tokens，Claude Opus 4.7 為 1,000k tokens 。但 LLM Stats 就指兩個模型都以 1M-token context 推出，而且 input price 同一個級別 。實際採購或接 API 前，仍然要按你用嘅產品層級、推理模式、工具調用方式，再確認真正上限同收費。

排行榜可以幫你判斷模型大概係咪一線，但未必幫你做最後決定。BenchLM 將 Claude Opus 4.7 列為 provisional leaderboard 110 個模型中第 2、verified leaderboard 14 個模型中第 2 。同一來源系列下，GPT-5.5 則係 provisional leaderboard 112 個模型中第 5、verified leaderboard 16 個模型中第 2 。呢啲排名足以說明兩者都係頂級模型，但落到產品，錯誤類型、延遲、成本、工具調用穩定性往往更關鍵。

應該先測邊個？

可以先測 Claude Opus 4.7 嘅情況：

• 你嘅任務似 SWE-bench Pro：要修真實 code issue、跨多個檔案理解 bug
• 你重視大型 codebase 架構理解、重構、code review 質素
• 你主要處理 GPQA Diamond 類型嘅高難度科學或專業知識問題
• 你嘅工具調用更接近 MCP Atlas 呈現嘅場景

可以先測 GPT-5.5 嘅情況：

• 你要 AI 做 terminal／CLI automation、檔案操作、script 執行
• 你重視 OSWorld-Verified 類型嘅電腦使用能力
• 你嘅 agent 核心係搜尋、瀏覽、資料蒐集
• 你需要 FrontierMath 類型嘅高難度數學推理

最後點揀？

Claude Opus 4.7 嘅強項比較集中喺 SWE-bench Pro、GPQA Diamond、MCP Atlas 。GPT-5.5 則喺 Terminal-Bench 2.0、OSWorld-Verified、BrowseComp、FrontierMath 較亮眼 。

所以真正問題唔係「Claude Opus 4.7 定 GPT-5.5 邊個一定贏」，而係「你想自動化邊種工作」。如果係複雜代碼修改、科學問答、架構層面理解，Claude Opus 4.7 值得先試；如果係 terminal automation、瀏覽搜尋、電腦操作、高難度數學，GPT-5.5 會係更合理嘅第一候選。