Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6 benchmark 比較：真正要睇咩？

所以，今次比較嘅重點唔係硬排 1 至 4，而係拆開睇：你要寫 code、做知識工作、跑 agent、處理金融文件、做科學推理，抑或想控制成本？答案會唔同。

先講清楚：AI benchmark 唔係一場單一考試

2026 年嘅 AI benchmark 更似一籃子能力測試。Kili Technology 將 MMLU、MMLU-Pro、GPQA Diamond、SWE-Bench、Terminal-Bench、GAIA、WebArena、GDPval、安全性評估等分成不同能力軸去理解 。Stanford HAI 的 AI Index 亦將技術性能分開看，例如 MMLU、MATH、GPQA Diamond、MMMU、OSWorld、AIME、SWE-bench Verified 等 。

尤其係 MMLU 這類一般知識測試，對頂尖模型嘅分辨力已經下降。Nanonets 解釋，MMLU 以 5-shot 方式計分，而到 2026 年，頂級模型大多擠在 88% 以上，差距變得難以拉開 。換句話講，淨係睇一個總分，好容易睇錯重點；揀模型之前，應該先問清楚自己實際要佢做咩 。

公開數字一覽

綜合 leaderboard：BenchLM 入面 Claude 較前

只看提供資料中有 BenchLM 頁面的三個模型，Claude Opus 4.7 位置最前。BenchLM 顯示 Claude Opus 4.7 在 provisional leaderboard 110 個模型中排第 2，overall score 97/100；在 verified leaderboard 亦是 14 個模型中第 2 。

GPT-5.5 在 BenchLM provisional leaderboard 112 個模型中排第 5，overall score 89/100；verified leaderboard 則是 16 個模型中第 2 。Kimi 2.6 在 BenchLM provisional leaderboard 115 個模型中排第 12，overall score 85/100，並顯示有 27 個公開 benchmark 分數 。

不過，這個排序只係 BenchLM 角度。三個頁面比較樣本數分別是 110、112、115，而且目前資料未能提供 DeepSeek V4 同等 BenchLM 分數放埋一齊比 。

Coding：Claude Opus 4.7 的公開數字最直接

如果焦點係軟件工程、修 bug、改 repo，Claude Opus 4.7 的 SWE-bench Verified 數字最清楚。MindStudio 指 Claude Opus 4.7 在 SWE-bench Verified 達 82.4%，比 Opus 4.6 約升 11 個百分點 。同一資料亦列出 Claude Opus 4.7 的 FinanceBench 為 82.7%，並提到視覺相關改善中 MathVista 上升 9.5 分 。

GPT-5.5 方面，OpenAI 介紹資料重點列出的不是 SWE-bench，而是 GDPval、OSWorld-Verified、Tau2-bench Telecom 等工作型指標 。Kimi K2.6 方面，GMI Cloud 資料聲稱其在 SWE-Bench Pro 有領先表現，但現有公開摘要未足以確認精確分數，亦未能證明四模型是在同一條件下比較 。DeepSeek V4 在這批資料中，較具體可見的是推理同數學相關數字，而非 coding 橫向比較 。

工作型 agent：GPT-5.5 的官方指標最具體

如果你關心嘅係「模型可唔可以自己完成知識工作、操作電腦環境、處理客戶支援流程」，GPT-5.5 的官方數字相對最集中。OpenAI 表示 GPT-5.5 在 GDPval 得 84.9%，而 GDPval 測試 agent 在 44 個職業中產出規格化知識工作的能力 。OpenAI 亦列出 GPT-5.5 在 OSWorld-Verified 得 78.7%，以及在測試複雜客戶服務流程的 Tau2-bench Telecom 得 98.0% 。

Claude Opus 4.7 亦有 agent 型資料。Anthropic 指，在其內部 research-agent benchmark 中，Claude Opus 4.7 於 6 個模組總分為 0.715，並列最高；在 General Finance 模組中，它由 Opus 4.6 的 0.767 升至 0.813 。

但要留神：GPT-5.5 的 GDPval、OSWorld-Verified、Tau2-bench，同 Claude Opus 4.7 的 Anthropic 內部 research-agent benchmark，評估體系唔同 。GPT-5.5 的 84.9% 同 Claude 的 0.715，唔可以當成同一分數表直接比較 。

推理與知識：DeepSeek V4-Pro-Max 同 Kimi K2.6 Thinking 有部分同表資料

DeepSeek V4 較具體的公開數字，主要見於 V4-Pro-Max 設定。DataCamp 指，根據 DeepSeek 內部結果，DeepSeek V4-Pro-Max 在 MMLU-Pro 得 87.5%、GPQA Diamond 得 90.1%、GSM8K 數學得 92.6% 。這些數字有參考價值，但既然 DataCamp 明確指出是基於內部結果，就唔應同獨立 leaderboard 當成同等證據重量 。

Hugging Face 的 DeepSeek-V4-Pro 資料，將 DeepSeek V4-Pro-Max 同 Kimi K2.6 Thinking 放在同一表格的部分知識／推理項目中比較 ：

單看這張表，DeepSeek V4-Pro-Max 在 MMLU-Pro、SimpleQA-Verified、Chinese-SimpleQA、HLE 較高；Kimi K2.6 Thinking 則在 GPQA Diamond 略高 。但同表比較對象不是 Claude Opus 4.7 同 GPT-5.5，而是 Opus-4.6 Max、GPT-5.4 xHigh 等其他模型，所以唔足以推出四模型總排名 。

成本與延遲：Kimi K2.6 的營運指標值得望多眼

Vals AI 顯示 GPT-5.5 的 Accuracy 為 67.76% ± 1.79，Latency 為 409.09s，Context Window 為 1M 。Kimi K2.6 則顯示 Accuracy 為 63.94% ± 1.97，Latency 為 373.57s，Cost/Test 為 0.21 美元 。只比較這兩條 Vals 紀錄，準確率顯示值是 GPT-5.5 較高，延遲顯示值則是 Kimi K2.6 較低 。

Kimi K2.6 對重視開放權重的使用者亦有另一層意義。Artificial Analysis 形容 Moonshot 的 Kimi K2.6 是 leading open weights model，並列出 Artificial Analysis Intelligence Index 54、整體第 4 的排名 。但 Artificial Analysis、Vals、BenchLM 都是不同評估體系，Kimi 的 54 分、Vals Accuracy 63.94%、BenchLM 85/100 不應加埋變成一個總分 。

實務揀模型：可以咁樣拆開睇

• 主要做 coding／自動修補軟件問題：Claude Opus 4.7 值得先試。現有公開根據中，SWE-bench Verified 82.4% 同 BenchLM 97/100 是最清晰的強項數字 。
• 主要做知識工作、電腦操作、客戶支援流程：GPT-5.5 的 GDPval 84.9%、OSWorld-Verified 78.7%、Tau2-bench Telecom 98.0% 是較直接的官方指標 。
• 主要比較科學問答、數學、高難度推理候選：可一併看 DeepSeek V4-Pro-Max 與 Kimi K2.6 Thinking 的 MMLU-Pro、GPQA Diamond、HLE 等項目 。
• 主要重視開放權重、成本與延遲：Kimi K2.6 的 Artificial Analysis open weights 評價，以及 Vals 的每次測試 0.21 美元、373.57s 延遲，會是實用參考點 。
• 唔好只靠 MMLU 一個分數：2026 年頂級模型在 MMLU 高分區太接近，分辨力已下降 。

最後判斷

以現有公開根據計，Claude Opus 4.7 的優勢較明顯在 coding 與 BenchLM 綜合榜；GPT-5.5 較突出在知識工作、電腦使用同工作型 agent 指標；DeepSeek V4-Pro-Max 有較具體的推理與數學公開數字；Kimi K2.6 則在開放權重、成本與延遲指標上較值得留意 。

但四個模型目前仍未有一套完全公平、同條件、同成本的公開橫評。真正落地時，最好用這些 benchmark 做起點，再按自己工作場景另行測試：例如 coding、金融文件分析、瀏覽器／電腦控制、客戶支援、長時間 agent 執行等。咁樣揀模型，會比追逐單一「第一名」安全得多 。