Coding：要分清「改得靚」同「跑得快」

講 coding 時，最容易犯嘅錯係將所有能力混埋一齊。其實「讀懂現有 codebase、搵出問題、改得穩」同「開 terminal、改檔、跑測試、一路自動化」係兩種相關但唔完全一樣嘅能力。

Claude Opus 4.7：較適合 review、修 bug、refactor

Claude Opus 4.7 的強項較明顯落在「理解現有系統，再作出正確修改」。SWE-Bench Pro 有驗證指 Claude Opus 4.7 在這個偏向真實軟件工程的 benchmark 上高於 GPT-5.5。

Anthropic 官方亦稱，Claude Opus 4.7 在其 93 項 coding benchmark 中，比 Opus 4.6 解決率提升 13%，並解決了 4 個 Opus 4.6 和 Sonnet 4.6 都解不到的任務。 呢個唔係同 GPT-5.5 的直接比較，但至少反映 Anthropic 將 Opus 4.7 定位為更適合複雜、長時間 coding workflow 的模型。

所以，如果你嘅工作係：

• 俾一個大 codebase 佢讀；
• 幫 PR 做 review；
• 修 bug 同整理 edge cases；
• refactor 架構、命名、抽象層；
• 將粗糙 implementation 打磨到可維護；

Claude Opus 4.7 會係較自然的第一候選。

GPT-5.5：較適合 terminal、agent loop、自動化

GPT-5.5 的亮點則喺「一路用工具一路做嘢」。LLM Stats 整理指，GPT-5.5 在 Terminal-Bench 2.0、BrowseComp、OSWorld-Verified、CyberGym 這類長時間工具使用或 shell-driven 任務上領先。 另有報道指，GPT-5.5 在 Terminal-Bench 2.0 錄得 82.7%。

但要留意，電腦操作唔係每個測試都大幅拋離。OSWorld-Verified 顯示 GPT-5.5 為 78.7%，Claude Opus 4.7 為 78.0%，差距被視為 noise range 之內。 相反，在 MCP-Atlas 這個測試複雜工具組合處理能力的 benchmark，Claude Opus 4.7 為 79.1%，GPT-5.5 為 75.3%。

OpenAI 官方亦提到 GPT-5.5 曾在約 20 分鐘內合併一個包含大量 frontend 修改和 refactor 的 branch，並有工程師評價它能預先估計測試和 review 需要。 不過，呢類屬於供應商自己的案例介紹，閱讀時應同獨立 benchmark 分開看。

另外，MindStudio 報告指，在相同 coding 任務、相同 prompt 和目標下，GPT-5.5 的輸出 token 比 Claude Opus 4.7 少約 72%。 呢點唔直接等於品質更高，但如果你跑 agent loop、批量任務或長時間 automation，較短輸出可能影響速度、log 可讀性同 token 成本。

設計：Claude 較有看頭，但證據未算硬淨

設計、UI、簡報同文件製作方面，公開材料暫時較偏向 Claude Opus 4.7。Mashable 報道指，Anthropic 稱 Claude Opus 4.7 在 advanced coding、visual intelligence、document analysis 方面更好，並在專業任務中更「tasteful and creative」，能產出較高質素的 interfaces、slides、docs。

不過，設計評估同 coding benchmark 唔同。最重要唔只係「有冇做到」，而係資訊架構、視覺層次、品牌語氣、可實作性同修正成本。就目前公開資料而言，未見足夠同條件、同 prompt、同品牌限制、同評審標準的獨立橫向比較，去斷言 Claude Opus 4.7 在所有設計任務都必勝。

實務上，較穩陣做法係用同一個任務同時試兩個模型，例如同一個 landing page、dashboard 或 pitch deck，然後用以下標準比較：

• 版面層次是否清楚；
• 文案同品牌 tone 是否一致；
• UI label、spacing、section order 是否容易實作；
• 對修改要求是否跟得穩；
• 最後需要 designer 人手重做幾多。

只睇公開材料，Claude Opus 4.7 值得先試；但設計結果好唔好，最終仍要用你自己團隊的品牌和設計標準去驗收。

創作內容：Claude 可先試，但唔好迷信 benchmark

廣告 copy、長文、故事、社交媒體內容、品牌語氣重寫呢類 creative work，Claude Opus 4.7 同樣有較有利的材料。Anthropic 對 Opus 4.7 的說法包括它在專業任務上更有創意，且能產出較高質素的介面、簡報和文件；這些都同內容打磨有關。

但創作質素好主觀。句子順唔順、品牌感啱唔啱、讀者睇完有冇感覺，唔係單靠一般 benchmark 可以完全量化。Humanity’s Last Exam 的 no-tools 條件下，Claude Opus 4.7 為 46.9%，GPT-5.5 為 41.4%；但這主要測試無工具輔助下的知識和學術推理，唔係直接量度文章美感、品牌一致性或故事感染力。

所以，創作內容可以先試 Claude Opus 4.7，但最後仍然要由人去把關：事實查核、法律或公關風險、品牌語氣、是否會引起誤讀，全部都唔應該交晒俾模型 benchmark 決定。

Benchmark 應該點讀？

最實用工作流：GPT 推進，Claude 收尾

如果你只可以先揀一個：

• 要改現有 code、review、refactor、提升可維護性：先試 Claude Opus 4.7，因為 SWE-Bench Pro 和 Anthropic 的 coding 改善資料都支持這個方向。
• 要做 CLI agent、自動化、file generation、terminal loop：先試 GPT-5.5，因為公開整理指它在長時間 tool-use 和 shell-driven 任務更突出。
• 要做 UI、簡報、文件、品牌內容：Claude Opus 4.7 較值得先試，但最好同 GPT-5.5 用同一個 brief 跑一次，再用你自己的設計／編輯標準比較。

最平衡的分工，其實可能係：用 GPT-5.5 快速推進任務、建立初版或跑 automation，再用 Claude Opus 4.7 做 review、重構、語氣打磨同最後品質控制。但呢個只係從公開 benchmark 趨勢推導出來的實務建議，唔係保證所有項目都一樣適用的萬能規則。

Coding：要分清「改得靚」同「跑得快」

講 coding 時，最容易犯嘅錯係將所有能力混埋一齊。其實「讀懂現有 codebase、搵出問題、改得穩」同「開 terminal、改檔、跑測試、一路自動化」係兩種相關但唔完全一樣嘅能力。

Claude Opus 4.7：較適合 review、修 bug、refactor

Claude Opus 4.7 的強項較明顯落在「理解現有系統，再作出正確修改」。SWE-Bench Pro 有驗證指 Claude Opus 4.7 在這個偏向真實軟件工程的 benchmark 上高於 GPT-5.5。

Anthropic 官方亦稱，Claude Opus 4.7 在其 93 項 coding benchmark 中，比 Opus 4.6 解決率提升 13%，並解決了 4 個 Opus 4.6 和 Sonnet 4.6 都解不到的任務。 呢個唔係同 GPT-5.5 的直接比較，但至少反映 Anthropic 將 Opus 4.7 定位為更適合複雜、長時間 coding workflow 的模型。

所以，如果你嘅工作係：

• 俾一個大 codebase 佢讀；
• 幫 PR 做 review；
• 修 bug 同整理 edge cases；
• refactor 架構、命名、抽象層；
• 將粗糙 implementation 打磨到可維護；

Claude Opus 4.7 會係較自然的第一候選。

GPT-5.5：較適合 terminal、agent loop、自動化

GPT-5.5 的亮點則喺「一路用工具一路做嘢」。LLM Stats 整理指，GPT-5.5 在 Terminal-Bench 2.0、BrowseComp、OSWorld-Verified、CyberGym 這類長時間工具使用或 shell-driven 任務上領先。 另有報道指，GPT-5.5 在 Terminal-Bench 2.0 錄得 82.7%。

但要留意，電腦操作唔係每個測試都大幅拋離。OSWorld-Verified 顯示 GPT-5.5 為 78.7%，Claude Opus 4.7 為 78.0%，差距被視為 noise range 之內。 相反，在 MCP-Atlas 這個測試複雜工具組合處理能力的 benchmark，Claude Opus 4.7 為 79.1%，GPT-5.5 為 75.3%。

OpenAI 官方亦提到 GPT-5.5 曾在約 20 分鐘內合併一個包含大量 frontend 修改和 refactor 的 branch，並有工程師評價它能預先估計測試和 review 需要。 不過，呢類屬於供應商自己的案例介紹，閱讀時應同獨立 benchmark 分開看。

另外，MindStudio 報告指，在相同 coding 任務、相同 prompt 和目標下，GPT-5.5 的輸出 token 比 Claude Opus 4.7 少約 72%。 呢點唔直接等於品質更高，但如果你跑 agent loop、批量任務或長時間 automation，較短輸出可能影響速度、log 可讀性同 token 成本。

設計：Claude 較有看頭，但證據未算硬淨

設計、UI、簡報同文件製作方面，公開材料暫時較偏向 Claude Opus 4.7。Mashable 報道指，Anthropic 稱 Claude Opus 4.7 在 advanced coding、visual intelligence、document analysis 方面更好，並在專業任務中更「tasteful and creative」，能產出較高質素的 interfaces、slides、docs。

不過，設計評估同 coding benchmark 唔同。最重要唔只係「有冇做到」，而係資訊架構、視覺層次、品牌語氣、可實作性同修正成本。就目前公開資料而言，未見足夠同條件、同 prompt、同品牌限制、同評審標準的獨立橫向比較，去斷言 Claude Opus 4.7 在所有設計任務都必勝。

實務上，較穩陣做法係用同一個任務同時試兩個模型，例如同一個 landing page、dashboard 或 pitch deck，然後用以下標準比較：

• 版面層次是否清楚；
• 文案同品牌 tone 是否一致；
• UI label、spacing、section order 是否容易實作；
• 對修改要求是否跟得穩；
• 最後需要 designer 人手重做幾多。

只睇公開材料，Claude Opus 4.7 值得先試；但設計結果好唔好，最終仍要用你自己團隊的品牌和設計標準去驗收。

創作內容：Claude 可先試，但唔好迷信 benchmark

廣告 copy、長文、故事、社交媒體內容、品牌語氣重寫呢類 creative work，Claude Opus 4.7 同樣有較有利的材料。Anthropic 對 Opus 4.7 的說法包括它在專業任務上更有創意，且能產出較高質素的介面、簡報和文件；這些都同內容打磨有關。

但創作質素好主觀。句子順唔順、品牌感啱唔啱、讀者睇完有冇感覺，唔係單靠一般 benchmark 可以完全量化。Humanity’s Last Exam 的 no-tools 條件下，Claude Opus 4.7 為 46.9%，GPT-5.5 為 41.4%；但這主要測試無工具輔助下的知識和學術推理，唔係直接量度文章美感、品牌一致性或故事感染力。

所以，創作內容可以先試 Claude Opus 4.7，但最後仍然要由人去把關：事實查核、法律或公關風險、品牌語氣、是否會引起誤讀，全部都唔應該交晒俾模型 benchmark 決定。

Benchmark 應該點讀？

最實用工作流：GPT 推進，Claude 收尾

如果你只可以先揀一個：

• 要改現有 code、review、refactor、提升可維護性：先試 Claude Opus 4.7，因為 SWE-Bench Pro 和 Anthropic 的 coding 改善資料都支持這個方向。
• 要做 CLI agent、自動化、file generation、terminal loop：先試 GPT-5.5，因為公開整理指它在長時間 tool-use 和 shell-driven 任務更突出。
• 要做 UI、簡報、文件、品牌內容：Claude Opus 4.7 較值得先試，但最好同 GPT-5.5 用同一個 brief 跑一次，再用你自己的設計／編輯標準比較。

最平衡的分工，其實可能係：用 GPT-5.5 快速推進任務、建立初版或跑 automation，再用 Claude Opus 4.7 做 review、重構、語氣打磨同最後品質控制。但呢個只係從公開 benchmark 趨勢推導出來的實務建議，唔係保證所有項目都一樣適用的萬能規則。