GPT-5.5、Claude Opus 4.7、DeepSeek V4、Kimi K2.6 點揀？

可見 benchmark 同 API 價錢

DeepSeek 嘅公開資料名稱唔完全一致：價錢來源多寫 DeepSeek V4 或 DeepSeek V4 Pro，部分 benchmark 則寫 DeepSeek-V4-Pro-Max。 下表保留來源原名，避免將唔同設定當成同一個模型配置。

點讀呢啲數字：總榜只係起點

Artificial Analysis 可見摘要列出 Intelligence Index 前五名：GPT-5.5 xhigh 為 60、GPT-5.5 high 為 59、Claude Opus 4.7 Adaptive Reasoning, Max Effort 為 57，後面仲有 Gemini 3.1 Pro Preview 同 GPT-5.4 xhigh 同為 57。

呢個資料只可以支持一個有限結論：喺該摘要可見嘅 Intelligence Index 領先模型入面，GPT-5.5 排喺 Claude Opus 4.7 前面。 但唔可以直接推出四款模型完整總排名，因為同一摘要無列出 DeepSeek V4 同 Kimi K2.6 嘅同口徑 Intelligence Index 分數。

LLM Stats 對 GPT-5.5 同 Claude Opus 4.7 嘅比較亦值得留意：喺雙方都有報告嘅 10 個 benchmark 入面，Claude Opus 4.7 領先 6 個，GPT-5.5 領先 4 個；Claude 優勢集中喺 reasoning-heavy 同 review-grade tests，而 GPT-5.5 優勢集中喺 long-running tool-use tests。

工具代理：GPT-5.5 係最先要測嘅上限

如果你要模型自己查資料、開工具、跑 command line、跨多個步驟完成工作，GPT-5.5 係現有公開數字入面最值得先試嘅高端基準。

BrowseComp 偏向量度 agentic AI web browsing，尤其係高度容器化資訊查找；VentureBeat 摘要列出 GPT-5.5 84.4%、DeepSeek-V4-Pro-Max 83.4%、Claude Opus 4.7 79.3%。 換句話講，DeepSeek-V4-Pro-Max 喺 web browsing 代理任務上同 GPT-5.5 差距好細，但 Claude Opus 4.7 喺同表中落後少少。

Terminal-Bench 2.0 差距更明顯。VentureBeat 摘要列出 GPT-5.5 82.7%、Claude Opus 4.7 69.4%、DeepSeek 67.9%；Yahoo / Investing.com 亦描述 Terminal-Bench 2.0 測試 command-line workflows，並列出 GPT-5.5 82.7%。

OpenAI 官方亦列出 GPT-5.5 在 GDPval 為 84.9%、OSWorld-Verified 為 78.7%、Tau2-bench Telecom 為 98.0%，呢啲都係同工具使用、知識工作或流程執行相關嘅公開數字。

推理同審查：Claude Opus 4.7 更似低容錯候選

如果任務係高難度推理、審核、風險判斷，Claude Opus 4.7 嘅可見優勢更清楚。VentureBeat 摘要列出 GPQA Diamond：Claude Opus 4.7 94.2%、GPT-5.5 93.6%、DeepSeek-V4-Pro-Max 90.1%。同一摘要列出 Humanity’s Last Exam no-tools：Claude Opus 4.7 46.9%、GPT-5.5 41.4%、GPT-5.5 Pro 43.1%、DeepSeek-V4-Pro-Max 37.7%。

呢個方向亦同 LLM Stats 嘅分類吻合：Claude Opus 4.7 領先嘅項目集中喺 reasoning-heavy 同 review-grade tests；GPT-5.5 則更強喺長時間工具使用任務。

Coding：Claude SWE-Bench Pro 較高，但 coding-agent 要另計

DataCamp 嘅 DeepSeek V4 對比表列出 SWE-Bench Pro：DeepSeek V4 Pro 55.4%、GPT-5.5 58.6%、Claude Opus 4.7 64.3%。 Yahoo / Investing.com 亦稱 GPT-5.5 在 SWE-Bench Pro 為 58.6%，而 SWE-Bench Pro 評估 GitHub issue resolution。

Kimi K2.6 嘅 coding 數字值得單獨睇。Verdent 摘要列出 Kimi K2.6 在 SWE-Bench Pro 為 58.60%、SWE-Bench Verified 為 80.20%、LiveCodeBench v6 為 89.60%；但同一摘要註明，Kimi K2.6 數字來源為 Moonshot AI official model card，而且 SWE-Bench Pro 使用 Moonshot in-house harness。

因此，Kimi K2.6 可以列入 coding-agent 候選清單，但唔適合用呢批數字直接硬排入 GPT-5.5、Claude Opus 4.7、DeepSeek V4 嘅四方總榜。

實務上，若任務係大型 repo 修復、code review 或長時間 coding agent，唔應該只睇單一 SWE 分數。Claude Opus 4.7 喺可見 SWE-Bench Pro 對比中最高；GPT-5.5 喺 Terminal-Bench 2.0 呢類長流程工具任務上領先；Kimi K2.6 就要用你自己嘅 repo、工具鏈同成功標準補測。

價錢同 context：DeepSeek V4 成本優勢最清楚

Mashable 摘要列出三款模型 API 價錢：DeepSeek V4 為每 100 萬 input token 1.74 美元、每 100 萬 output token 3.48 美元，並標示 1M context window；GPT-5.5 為每 100 萬 input 5 美元、output 30 美元，並標示 1M context window；Claude Opus 4.7 為每 100 萬 input 5 美元、output 25 美元，並標示 1M context window。

DataCamp 嘅 DeepSeek V4 對比摘要亦用相同價錢口徑，並列出 DeepSeek V4 Pro、GPT-5.5、Claude Opus 4.7 嘅 context window 約為 1M tokens。 喺呢批可見價錢入面，DeepSeek V4 明顯低過 GPT-5.5 同 Claude Opus 4.7；再加上 DeepSeek-V4-Pro-Max 在 BrowseComp 為 83.4%、接近 GPT-5.5 嘅 84.4%，佢好適合作為成本敏感 API routing 嘅第一批測試對象。

Kimi K2.6 嘅同口徑 API 價錢未見於提供來源；DocsBot 摘要則稱 Kimi K2.6 具 256K context，並將其描述為面向 long-horizon coding、coding-driven design、autonomous execution 同 swarm-based orchestration 嘅 open-source agentic model。

落地做法：做路由，唔好押晒一款

對產品同工程團隊嚟講，最實際答案通常唔係「買邊一隻」，而係先建立分層路由同回歸測試：

1. 用 GPT-5.5 做高端 agentic 基準。 先測瀏覽、terminal、自動化工具鏈、複雜知識工作，因為佢喺 BrowseComp、Terminal-Bench 2.0 同多個 OpenAI 官方工具／知識工作 benchmark 上都有強勢公開數字。
2. 用 Claude Opus 4.7 測推理、審查同低容錯任務。 佢喺 GPQA Diamond、Humanity’s Last Exam no-tools，以及 LLM Stats 歸類嘅 reasoning-heavy / review-grade tests 中更突出。
3. 用 DeepSeek V4 壓低高流量 API 成本。 佢公開 token 價錢低過 GPT-5.5 同 Claude Opus 4.7，同時 BrowseComp 接近 GPT-5.5。
4. 將 Kimi K2.6 放入開源 coding-agent 實驗池。 佢有可見 coding 同 agentic 指標，但目前缺少同 GPT-5.5、Claude Opus 4.7、DeepSeek V4 嘅完整同場基準，更適合用自家 repo、工具鏈同部署條件實測。

這次比較有咩限制？

• 唔係所有模型都有同場、同設定 benchmark。 GPT-5.5、Claude Opus 4.7、DeepSeek-V4-Pro-Max 喺 VentureBeat 摘要中有部分同表數字；Kimi K2.6 主要來自另一組同 Claude Opus 4.6、GPT-5.4 嘅比較。
• 模型配置可能唔同。 Artificial Analysis 摘要中 GPT-5.5 分為 xhigh / high，Claude Opus 4.7 係 Adaptive Reasoning, Max Effort；VentureBeat 用 DeepSeek-V4-Pro-Max，呢啲唔一定等同一般 API 預設模式。
• 自報同第三方分數唔可以完全等同。 LLM Stats 明確提醒，GPT-5.5 同 Claude Opus 4.7 部分分數係供應商喺高推理 tier 下自報，方法論唔完全一致。
• 公開 benchmark 只係決定先測邊款。 BrowseComp 偏 web browsing 代理，Terminal-Bench 2.0 偏 command-line workflows，SWE-Bench Pro 偏 GitHub issue resolution；佢哋唔可以取代你自己真實任務嘅評估。

最終判斷

如果只用可見公開資料初篩，GPT-5.5 係 agentic tool-use 同可見綜合排名嘅強候選；Claude Opus 4.7 係推理同 review-grade 任務嘅強候選；DeepSeek V4 係價錢最有吸引力嘅高性價比候選；Kimi K2.6 則應放入開源 / coding-agent 實驗池，但目前證據不足以公平排入完整四方總榜。

採購或上線前，最好用同一批真實任務做 regression test：同一 prompt、同一工具權限、同一 context 長度、同一成功判準。公開 benchmark 嘅價值，係幫你決定先測邊個；最終選型，仍然要由你嘅產品場景、錯誤成本同 token 成本一齊決定。