studioglobal
인기 있는 발견
보고서게시됨16 소스

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

公開資料未有用同一套 benchmark、設定同成本條件把四個模型一次過橫向評分，所以唔應該硬排 1 至 4；Claude Opus 4.7 有 BenchLM 97/100、SWE bench Verified 82.4%，GPT 5.5 則有 GDPval 84.9% 等不同軸數字 [2][3][29]。 DeepSeek V4 Pro Max 顯示 MMLU Pro 87.5%、GPQA Diamond 90.1%；Kimi K2.6 有 BenchLM 85/100、Vals Accuracy 63.94% ± 1.97、每次測試 0.21 美元等資料，但來源與設定要分開睇 [15][37][39]。

Studio Global AI로 검색 및 팩트체크Discover에서 더 많은 것을 찾아보세요
16K0
네 개의 최신 AI 모델을 벤치마크 차트와 비교하는 추상적 에디토리얼 이미지
Claude Opus 4.7 vs GPT-5.5 vs DeepSeek V4 vs Kimi K2.6: 2026 벤치마크 비교Claude Opus 4.7, GPT-5.5, DeepSeek V4, Kimi K2.6의 2026 벤치마크 비교를 표현한 AI 생성 이미지.
AI 프롬프트

Create a landscape editorial hero image for this Studio Global article: Claude Opus 4.7 vs GPT-5.5 vs DeepSeek V4 vs Kimi K2.6: 2026 벤치마크 비교. Article summary: 네 모델의 ‘절대 1위’를 확정하기는 어렵습니다. 공개 자료 기준 Claude Opus 4.7은 BenchLM 97/100·SWE bench Verified 82.4%가 가장 뚜렷하고, GPT 5.5는 GDPval 84.9% 등 업무형 공식 수치가 강하지만 평가 체계가 달라 직접 합산할 수 없습니다 [2][3][29].. Topic tags: ai, ai benchmarks, llm, openai, anthropic. Reference image context from search candidates: Reference image 1: visual subject "# Kimi K2.6 vs Claude Opus 4.7: Which Model Wins in 2026? Kimi K2.6 ties Opus 4.7 on multilingual SWE-bench but trails by 7 points on Verified — at 1/5th the cost. Two weeks after" source context "Kimi K2.6 vs Claude Opus 4.7 (2026): Benchmarks, Cost, When Each Wins" Reference image 2: visual subject "[Kimi K2 vs Claude Opus 4.7 vs GPT 5.5 Comparison](https://www.youtube.com/watch?v=M90iB4hpenI). ![Image 4](https://www

openai.com

如果只問「邊個最強」，答案反而容易誤導。Vals AI 列表把 DeepSeek V4 同 GPT-5.5 列為 2026 年 4 月 23 日項目，Kimi K2.6 為 4 月 20 日，Claude Opus 4.7 為 4 月 16 日 [19]。但目前可見資料分散喺 BenchLM、官方發布、DataCamp/Hugging Face、Vals、Artificial Analysis 等不同體系，未有一份用同一把尺、同一設定、同一成本條件將四個模型齊齊橫評 [2][3][15][16][28][29][36][37][39]。

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 [8]。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 [13]。

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 [22]。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 [8][22]。

公開數字一覽

模型公開資料中可見重點數字可以點讀小心位
Claude Opus 4.7BenchLM 97/100，provisional 第 2/110；SWE-bench Verified 82.4%；FinanceBench 82.7%；MathVista 上升 9.5 分 [2][3]coding、綜合 leaderboard、金融文件分析、視覺數學推理Anthropic 的 research-agent benchmark 0.715 屬內部評估，唔應直接同 GPT-5.5 的 GDPval 等數字當同一把尺比較 [7][29]。
GPT-5.5BenchLM 89/100，provisional 第 5/112；GDPval 84.9%；OSWorld-Verified 78.7%；Tau2-bench Telecom 98.0%；Vals Accuracy 67.76% ± 1.79 [28][29][31]知識工作、電腦操作、客戶支援流程、agent 型任務OpenAI 官方發布、BenchLM、Vals Index 係不同評估體系，唔應直接相加或互換 [28][29][31]。
DeepSeek V4 / V4-Pro-MaxVals AI 2026 年 4 月 23 日項目；V4-Pro-Max MMLU-Pro 87.5%、GPQA Diamond 90.1%、GSM8K 92.6% [15][19]科學問答、數學、高難度推理候選DataCamp 說明相關數字基於 DeepSeek 內部結果，解讀時要同獨立 leaderboard 分開 [15]。
Kimi K2.6BenchLM 85/100，provisional 第 12/115；Vals Accuracy 63.94% ± 1.97、Latency 373.57s、Cost/Test 0.21 美元；Artificial Analysis Intelligence Index 54、整體第 4 [36][37][39]開放權重路線、成本與延遲、營運效率資料中有 Kimi 2.6、Kimi K2.6、K2.6 Thinking 等叫法，要確認是否同一設定 [37][39]。

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 [3]。

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 [28]。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 [37]。

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 [3][28][37]。

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 [2]。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 [2]。

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 [29]。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 [35]。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 [15][16]。

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 [29]。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% [29]。

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 [7]。

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 [7][29]。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 [7][29]。

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% [15]。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 [15]。

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 [16]：

BenchmarkDeepSeek V4-Pro-MaxKimi K2.6 Thinking表內較高者
MMLU-Pro87.587.1DeepSeek V4-Pro-Max
SimpleQA-Verified57.936.9DeepSeek V4-Pro-Max
Chinese-SimpleQA84.475.9DeepSeek V4-Pro-Max
GPQA Diamond90.190.5Kimi K2.6 Thinking
HLE37.736.4DeepSeek V4-Pro-Max

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 [16]。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 [16]。

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 [31]。Kimi K2.6 則顯示 Accuracy 為 63.94% ± 1.97，Latency 為 373.57s，Cost/Test 為 0.21 美元 [39]。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 [31][39]。

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 [36]。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 [36][37][39]。

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 [2][3]。
  • 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 [29]。
  • 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 [15][16]。
  • 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 [36][39]。
  • 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 [22]。

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 [2][3][15][16][28][29][36][37][39]。

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 [8][22]。

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.

Studio Global AI로 검색 및 팩트체크

주요 시사점

  • 公開資料未有用同一套 benchmark、設定同成本條件把四個模型一次過橫向評分，所以唔應該硬排 1 至 4；Claude Opus 4.7 有 BenchLM 97/100、SWE bench Verified 82.4%，GPT 5.5 則有 GDPval 84.9% 等不同軸數字 [2][3][29]。
  • DeepSeek V4 Pro Max 顯示 MMLU Pro 87.5%、GPQA Diamond 90.1%；Kimi K2.6 有 BenchLM 85/100、Vals Accuracy 63.94% ± 1.97、每次測試 0.21 美元等資料，但來源與設定要分開睇 [15][37][39]。
  • 實務揀模型應按任務拆開：coding 可先睇 Claude，知識工作／電腦操作先睇 GPT 5.5，科學推理候選比較 DeepSeek/Kimi，重視開放權重同成本則留意 Kimi [8][16][29][36]。

사람들은 또한 묻습니다.

"Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6 benchmark 比較：真正要睇咩？"에 대한 짧은 대답은 무엇입니까?

公開資料未有用同一套 benchmark、設定同成本條件把四個模型一次過橫向評分，所以唔應該硬排 1 至 4；Claude Opus 4.7 有 BenchLM 97/100、SWE bench Verified 82.4%，GPT 5.5 則有 GDPval 84.9% 等不同軸數字 [2][3][29]。

먼저 검증할 핵심 포인트는 무엇인가요?

公開資料未有用同一套 benchmark、設定同成本條件把四個模型一次過橫向評分，所以唔應該硬排 1 至 4；Claude Opus 4.7 有 BenchLM 97/100、SWE bench Verified 82.4%，GPT 5.5 則有 GDPval 84.9% 等不同軸數字 [2][3][29]。 DeepSeek V4 Pro Max 顯示 MMLU Pro 87.5%、GPQA Diamond 90.1%；Kimi K2.6 有 BenchLM 85/100、Vals Accuracy 63.94% ± 1.97、每次測試 0.21 美元等資料，但來源與設定要分開睇 [15][37][39]。

실무에서는 다음으로 무엇을 해야 합니까?

實務揀模型應按任務拆開：coding 可先睇 Claude，知識工作／電腦操作先睇 GPT 5.5，科學推理候選比較 DeepSeek/Kimi，重視開放權重同成本則留意 Kimi [8][16][29][36]。

다음에는 어떤 관련 주제를 탐구해야 할까요?

다른 각도와 추가 인용을 보려면 "Claude Opus 4.7·GPT-5.5·DeepSeek V4·Kimi K2.6 벤치마크 비교: 2026년 판정"으로 계속하세요.

관련 페이지 열기

이것을 무엇과 비교해야 합니까?

"DeepSeek V4 엔지니어링 해설: 100만 토큰, MoE, API 이전 체크포인트"에 대해 이 답변을 대조 확인하세요.

관련 페이지 열기

연구를 계속하세요

Comparativa de benchmarks 2026 entre Claude Opus 4.7, GPT-5.5, DeepSeek V4 y Kimi K2.6

Claude Opus 4.7·GPT-5.5·DeepSeek V4·Kimi K2.6 벤치마크 비교: 2026년 판정

Claude Opus 4.7 vs GPT-5.5 vs DeepSeek V4 vs Kimi K2.6: 2026 벤치마크 비교

DeepSeek V4 工程架构示意图，包含 1M 上下文、MoE 专家路由和 API 服务化元素

DeepSeek V4 엔지니어링 해설: 100만 토큰, MoE, API 이전 체크포인트

DeepSeek V4 엔지니어링 해설: 100만 토큰, MoE, API 이전 체크포인트

木材市場與需求彈性概念的編輯插圖

Northwest vs. Southeast Timber 탄력성 풀이: 왜 답은 larger; larger일까

Northwest vs. Southeast Timber: 대체성이 높을수록 왜 larger; larger인가

抽象 AI 晶片與多個聊天機器人平台競爭的示意圖，象徵 DeepSeek 挑戰 OpenAI、Claude、Gemini 與 Grok

DeepSeek가 OpenAI·Claude·Gemini·Grok을 이길까: 답은 비용과 신뢰에 있다

DeepSeek가 OpenAI·Claude·Gemini·Grok을 이길까

연구 대화

당신

연구문제

Claude Opus 4.7, GPT-5.5, DeepSeek V4, Kimi K2.6의 벤치마크를 조사하고 가능한 한 종합적으로 비교해 주세요.

Studio Global AI40 소스

인용 답변

제공된 근거만으로는 네 모델을 동등한 수준으로 “종합 벤치마크 비교”하기에는 자료가 크게 부족합니다. 확인 가능한 정량 벤치마크는 사실상 Claude Opus 4.7에 집중되어 있고, GPT-5.5·DeepSeek V4·Kimi K2.6은 제공 근거 안에서 직접 비교 가능한 공식 점수나 일관된 벤치마크 결과가 없습니다. 따라서 아래 비교는 “확인 가능한 것”과 “증거 부족”을 명확히 나누어 정리합니다.

Key findings

  • Claude Opus 4.7은 제공된 자료 중 유일하게 구체적인 벤치마크 수치가 확인되는 모델입니다. SWE-bench Verified에서 82.4%를 기록했고, 이는 Opus 4.6 대비 약 11점 상승한 것으로 제시됩니다 [6].

  • Claude Opus 4.7은 BenchLM 기준 provisional leaderboard에서 110개 모델 중 2위, overall score 97/100으로 제시되며, verified leaderboard에서도 14개 모델 중 2위로 언급됩니다 [7].

  • Claude Opus 4.7은 비전 관련 개선 폭이 컸고, MathVista가 9.5점 상승했다는 자료가 있습니다 [6].

  • Kimi K2.6은 Vals AI의 모델 목록에서 Moonshot AI 모델로 확인되며, 제공된 스니펫에는 2026년 4월 20일 항목으로 표시됩니다 [5]. 다만 이 근거에는 Kimi K2.6의 실제 벤치마크 점수가 포함되어 있지 않습니다 [5].

  • Claude Opus 4.7 역시 Vals AI 목록에서 Anthropic 모델로 확인되며, 제공된 스니펫에는 2026년 4월 16일 항목으로 표시됩니다 [5].

  • GPT-5.5에 대해서는 제공된 근거 안에 직접적인 벤치마크 점수, 공식 발표, 리더보드 결과가 없습니다. Insufficient evidence.

  • DeepSeek V4에 대해서는 제공된 근거 중 Reddit 스니펫이 있으나, 해당 스니펫은 로컬 호스팅과 운영상 조언에 가까우며 비교 가능한 벤치마크 수치를 제공하지 않습니다 [40]. Insufficient evidence.

비교 표

모델확인 가능한 벤치마크 / 순위강점으로 볼 수 있는 영역증거 수준
Claude Opus 4.7SWE-bench Verified 82.4% [6]; BenchLM provisional 2/110, 97/100 [7]; verified 2/14 [7]코딩, 비전 수학 추론, 종합 리더보드 성능 [6][7]상대적으로 높음
GPT-5.5제공 근거 내 직접 점수 없음판단 불가Insufficient evidence
DeepSeek V4제공 근거 내 직접 점수 없음판단 불가Insufficient evidence
Kimi K2.6모델 목록 및 날짜 항목은 확인되나 점수 없음 [5]판단 불가낮음

벤치마크별 해석

  • SWE-bench Verified 기준으로는 Claude Opus 4.7만 비교 가능한 수치가 있습니다. Claude Opus 4.7의 82.4%는 제공 자료상 Opus 4.6 대비 약 11점 개선된 결과로 제시됩니다 [6].

  • 종합 리더보드 기준으로도 Claude Opus 4.7만 명확한 순위가 있습니다. BenchLM은 Claude Opus 4.7을 provisional leaderboard 110개 모델 중 2위, overall score 97/100으로 제시합니다 [7].

  • 비전·수학 영역에서는 Claude Opus 4.7의 MathVista 점수가 9.5점 상승했다는 자료가 있으나, GPT-5.5·DeepSeek V4·Kimi K2.6의 동등 지표가 제공되지 않아 상대 비교는 불가능합니다 [6].

  • 일반 지식·추론 벤치마크는 2026년 기준 MMLU, MMLU-Pro, GPQA Diamond, SWE-bench, Arena Elo 등이 주요 평가로 언급됩니다 [2]. 다만 MMLU는 상위 모델들이 이미 88% 이상을 기록해 2026년에는 변별력이 약하다는 지적이 있습니다 [3].

Evidence notes

  • Stanford HAI의 2026 AI Index 기술 성능 자료는 ImageNet, VQA, SuperGLUE, SQuAD 2.0 등 여러 벤치마크에서 AI 성능이 인간 성능과 비교되는 장기 추세를 다룹니다 [1]. 이는 개별 네 모델의 직접 비교 자료라기보다는 벤치마크 해석의 배경 자료에 가깝습니다 [1].

  • Kili Technology 자료는 2026년 주요 벤치마크로 MMLU, MMLU-Pro, GPQA Diamond, SWE-bench, Arena Elo 등을 언급하면서 벤치마크만으로 모델 성능을 충분히 설명하기 어렵다고 설명합니다 [2].

  • Nanonets 자료는 MMLU가 5-shot 방식으로 계산된다는 점과, 상위 모델들이 88% 이상을 기록하면서 2026년에는 변별력이 낮아졌다는 점을 지적합니다 [3].

  • DeepSeek V4 관련 제공 근거는 Reddit 스니펫뿐이며, 신뢰도 높은 공식·학술·독립 리더보드 근거가 아닙니다 [40].

Limitations / uncertainty

  • GPT-5.5, DeepSeek V4, Kimi K2.6에 대해 제공된 근거만으로는 SWE-bench, GPQA, MMLU-Pro, AIME, MathVista, Arena Elo 같은 동일 벤치마크 축에서 점수를 비교할 수 없습니다. Insufficient evidence.

  • Claude Opus 4.7의 수치도 출처별로 평가 방법과 리더보드 산식이 다를 수 있으므로, BenchLM의 97/100 및 순위와 SWE-bench Verified 82.4%는 서로 다른 평가 체계의 결과로 해석해야 합니다 [6][7].

  • Kimi K2.6은 모델 존재와 날짜 항목은 확인되지만, 제공 근거 안에는 성능 점수가 없습니다 [5]. Insufficient evidence.

  • DeepSeek V4는 제공 근거 안에서 벤치마크 수치가 확인되지 않습니다 [40]. Insufficient evidence.

Summary

현재 제공된 증거만 놓고 보면 Claude Opus 4.7이 네 모델 중 유일하게 구체적이고 비교 가능한 성능 자료를 갖고 있습니다. Claude Opus 4.7은 SWE-bench Verified 82.4%, BenchLM provisional 2위/110개 모델, overall score 97/100으로 제시되어 코딩과 종합 평가에서 매우 강한 모델로 볼 수 있습니다 [6][7].

반면 GPT-5.5, DeepSeek V4, Kimi K2.6은 제공 근거 안에서 직접 벤치마크 점수가 없으므로 Claude Opus 4.7보다 높다거나 낮다고 결론낼 수 없습니다. Insufficient evidence.

출처

  • [2] 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...

  • [3] Claude Opus 4.7 Benchmarks 2026: Scores, Rankings & Performancebenchlm.ai

    Core Rankings Specialized Use Cases Dashboards Directories Guides & Lists Tools Claude Opus 4.7 According to BenchLM.ai, Claude Opus 4.7 ranks 2 out of 110 models on the provisional leaderboard with an overall score of 97/100. It also ranks 2 out of 14 on t...

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

    Image 7: logo Based on our internal research-agent benchmark, Claude Opus 4.7 has the strongest efficiency baseline we’ve seen for multi-step work. It tied for the top overall score across our six modules at 0.715 and delivered the most consistent long-cont...

  • [8] AI Benchmarks 2026: Top Evaluations and Their Limitskili-technology.com

    Image 2: Kili Technology.png) Kili Technology · Apr 13, 2026 Image 3: AI Benchmarks Guide: The Top Evaluations in 2026 and Why They're Not Enough Table of contents Introduction What Are the Most Important AI Benchmarks in 2026? General knowledge and reasoni...

  • [13] [PDF] Technical Performance - Stanford HAIhai.stanford.edu

    Technical Performance Benchmarks vs. Human Performance 76 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 0% 20% 40% 60% 80% 100% 120% Image classiLJcation (ImageNet Top-5) Visual reasoning (VQA) English language understanding (SuperGLU...

  • [15] DeepSeek V4: Features, Benchmarks, and Comparisonsdatacamp.com

    DeepSeek V4 Benchmarks According to DeepSeek’s internal results, DeepSeek V4 demonstrates impressive performance, particularly when pushed to its maximum reasoning limits (DeepSeek-V4-Pro-Max). According to the official release notes, here is how the model...

  • [16] deepseek-ai/DeepSeek-V4-Pro - Hugging Facehuggingface.co

    Opus-4.6 Max GPT-5.4 xHigh Gemini-3.1-Pro High K2.6 Thinking GLM-5.1 Thinking DS-V4-Pro Max :---: :---: :---: Knowledge & Reasoning MMLU-Pro (EM) 89.1 87.5 91.0 87.1 86.0 87.5 SimpleQA-Verified (Pass@1) 46.2 45.3 75.6 36.9 38.1 57.9 Chinese-SimpleQA (Pass@1...

  • [19] DeepSeek V4 - Vals AIvals.ai

    Benchmarks Models Comparison Model Guide App Reports News About Benchmarks Models Comparison Model Guide App Reports About Release date Models 4/23/2026 DeepSeek DeepSeek V4 4/23/2026 OpenAI GPT 5.5 4/20/2026 Moonshot AI Kimi K2.6 4/16/2026 Anthropic Claude...

  • [22] AI Benchmarks Explained: GPQA, SWE-bench & Arena Elonanonets.com

    How the score is calculated: Before each question, the model is shown 5 example questions with correct answers, this is called 5-shot prompting. Then comes the real question. Score = correct answers ÷ total questions, expressed as a percentage. Why it's nea...

  • [28] GPT-5.5 Benchmarks 2026: Scores, Rankings & Performancebenchlm.ai

    Core Rankings Specialized Use Cases Dashboards Directories Guides & Lists Tools GPT-5.5 According to BenchLM.ai, GPT-5.5 ranks 5 out of 112 models on the provisional leaderboard with an overall score of 89/100. It also ranks 2 out of 16 on the verified lead...

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

    GPT‑5.5 reaches state-of-the-art performance across multiple benchmarks that reflect this kind of work. OnGDPval⁠⁠, which tests agents’ abilities to produce well-specified knowledge work across 44 occupations, GPT‑5.5 scores 84.9%. On OSWorld-Verified, whic...

  • [31] GPT 5.5 - Vals AIvals.ai

    2/17/2026 Anthropic Claude Sonnet 4.6 2/16/2026 Alibaba Qwen 3.5 Plus 2/12/2026 MiniMax MiniMax-M2.5 2/12/2026 MiniMax MiniMax-M2.5 2/11/2026 zAI GLM 5 2/5/2026 Anthropic Claude Opus 4.6 (Nonthinking) 2/5/2026 Anthropic Claude Opus 4.6 (Thinking) 1/26/2026...

  • [35] Kimi K2.6 on GMI Cloud: Architecture, Benchmarks & API Accessgmicloud.ai

    Kimi K2.6 tops SWE-Bench Pro and runs 300 parallel sub-agents on 4x H100S. Learn the full architecture, benchmark results, and how to run it ... 3 days ago

  • [36] Kimi K2.6: The new leading open weights model - Artificial Analysisartificialanalysis.ai

    Moonshot's Kimi K2.6 is the new leading open weights model. Kimi K2.6 lands at 4 on the Artificial Analysis Intelligence Index (54) behind ... 5 days ago

  • [37] Kimi 2.6 Benchmarks 2026: Scores, Rankings & Performancebenchlm.ai

    Kimi 2.6 by Moonshot AI scores 85/100 on BenchLM's provisional leaderboard ( 12 of 115) with 27 published benchmark scores currently shown ... 6 days ago

  • [39] Kimi K2.6 - Vals AIvals.ai

    Kimi K2.6. Release Date: 4/20/2026. Vals Index. Accuracy (Vals Index). 63.94% ± 1.97. Latency (Vals Index). 373.57s. Cost/Test (Vals Index). $0.21.