GPT-5.5、Claude Opus 4.7、Kimi K2.6、DeepSeek V4-Pro 點揀？Benchmark 唔係一張總榜

點解唔應該直接排總榜？

**第一，來源層級唔一致。**GPT-5.5 嘅 Terminal-Bench 2.0 同 SWE-Bench Pro 數字，來自媒體轉述 OpenAI 提供嘅 benchmark 結果；Claude Opus 4.7 嘅 SWE-Bench Pro、SWE-Bench Verified 同 Terminal-Bench 2.0 數字，來自次級整理引用 AWS；Kimi K2.6 同 DeepSeek V4-Pro 部分分數，則來自 Hugging Face model card。

**第二，工具權限會改變賽果。**Mashable 報導嘅 HLE 數字顯示，無工具情境下 Claude Opus 4.7 為 46.9%，GPT-5.4 Pro 為 42.7%；但有工具情境下，GPT-5.4 Pro 為 58.7%，Claude Opus 4.7 為 54.7%。呢組唔係 GPT-5.5 分數，但好清楚話你知：with tools 同 without tools 唔可以混埋同一張榜比較。

**第三，版本同成本設定都會影響解讀。**DeepSeek V4 分為 V4-Pro 同 V4-Flash，Yahoo Finance 報導稱 V4-Flash 係較有效率、經濟嘅版本；本文可引用嘅詳細分數主要對應 DeepSeek-V4-Pro。 Artificial Analysis 亦將 GPT-5.5 拆成不同 effort variants，並指 GPT-5.5 xhigh 跑其 Index 嘅成本約比前代高 20%、比 Claude Opus 4.7 max 低 30%。

GPT-5.5：Terminal workflow 同長上下文係主打

GPT-5.5 喺呢組資料入面最明確嘅強項係 Terminal-Bench 2.0。Yahoo Finance / Investing.com 報導稱，OpenAI 提供嘅 benchmark 結果顯示 GPT-5.5 在 Terminal-Bench 2.0 達 82.7%，該測試用於衡量 command-line workflows；同文亦列出 GPT-5.5 在 SWE-Bench Pro 為 58.6%，並將 SWE-Bench Pro 描述為評估 GitHub issue resolution 嘅測試。

長上下文方面，OpenAI 表列出 GPT-5.5 在 Graphwalks BFS 256k 與 1M 分別為 73.7 與 45.4，在 Graphwalks parents 256k 與 1M 分別為 90.1 與 58.5；同表亦顯示 GPT-5.4 在 Graphwalks BFS 1M 為 9.4，GPT-5.5 則為 45.4。

第三方評測方面，Artificial Analysis 稱 GPT-5.5 是新的 leading AI model，並表示 OpenAI 在其五項 headline evaluations 領先、三項次於 Gemini 3.1 Pro Preview；同文亦稱 GPT-5.5 xhigh 跑其 Index 時，output tokens 約比前代少 40%。

**優先測試場景：**CLI automation、terminal agents、長上下文檢索，以及需要控制 output token 成本嘅 agentic coding workflow。

Claude Opus 4.7：coding 分數強，視覺同 computer-use 證據最硬

Claude Opus 4.7 嘅官方資料，最清楚係強調視覺同 UI 操作。Anthropic API 文件指，相關變更應可釋放 vision-heavy workloads 嘅 performance gains，尤其對 computer use、screenshot、artifact 同 document understanding workflows 重要；文件亦說明座標可 1:1 對應實際像素，減少 scale-factor 計算。

Anthropic launch page 引用 XBOW 嘅視覺敏銳度 benchmark，稱 Claude Opus 4.7 為 98.5%，Opus 4.6 為 54.5%。 所以如果你做緊 screenshot understanding、document layout、desktop UI 操作或者 computer-use agent，Claude Opus 4.7 係四者之中有最直接官方證據支持嘅選項。

Coding benchmark 方面，一篇整理稱 AWS cites Claude Opus 4.7 在 SWE-Bench Pro 為 64.3%、SWE-Bench Verified 為 87.6%、Terminal-Bench 2.0 為 69.4%。 呢啲數字令 Claude 喺本文可引用嘅 SWE-Bench Pro 同 Verified / Resolved 對照中暫時領先；不過來源層級低於直接官方 benchmark 表，正式落 production 前仍然應該用自己 repo 重跑。

亦要留意 production 成本：Anthropic 文件提醒，高解析度影像會使用更多 tokens；如果唔需要額外影像細節，應先降採樣再傳送畀 Claude，以避免 token usage 增加。

**優先測試場景：**GitHub issue repair、coding agent、screenshot / document understanding、computer-use agents，以及需要精準像素座標嘅 UI 操作任務。

Kimi K2.6：Workers AI 上嘅 agentic multimodal 候選

Cloudflare changelog 顯示，Moonshot AI Kimi K2.6 已於 2026 年 4 月 20 日在 Workers AI 上可用，模型 ID 為 @cf/moonshotai/kimi-k2.6，Cloudflare 稱這是與 Moonshot AI 合作嘅 Day 0 support。

同一來源將 Kimi K2.6 描述為 native multimodal agentic model，能力重點包括 long-horizon coding、coding-driven design、proactive autonomous execution 同 swarm-based task orchestration；Cloudflare 亦稱其採用 Mixture-of-Experts 架構，總參數 1T、每 token active 參數 32B。

公開分數方面，Kimi K2.6 嘅 Hugging Face model card 列出 Terminal-Bench 2.0 為 66.7、SWE-Bench Pro 為 58.6、SWE-Bench Multilingual 為 76.7。 MarkTechPost 另報導 Kimi K2.6 在 SWE-Bench Verified 為 80.2。

**優先測試場景：**已經喺 Cloudflare Workers AI 部署、需要 long-horizon coding、coding-driven design、multimodal agent workflow，或者多 agent orchestration 嘅團隊。

DeepSeek V4-Pro：知識、數學同開放模型路線最值得睇

DeepSeek V4 喺來源入面分為 V4-Pro 同 V4-Flash。Yahoo Finance 報導稱，DeepSeek 表示 V4-Pro 在 world knowledge benchmarks 上明顯領先其他 open-source models，且只略遜於頂級閉源模型 Gemini-Pro-3.1；同一報導稱 V4-Flash 係更有效率、經濟嘅選擇。

DeepSeek-V4-Pro 嘅 Hugging Face model card 提供今次資料入面最完整一組 knowledge、math、coding 同 terminal 評測數字：GPQA Diamond 90.1、GSM8K 92.6、HLE 37.7、MMLU-Pro 87.5、SWE-Bench Pro 55.4、SWE-Bench Verified / Resolved 80.6、TerminalBench 2.0 67.9。

CNBC 報導稱 DeepSeek 表示 V4 已針對 Claude Code 同 OpenClaw 等 agent tools 最佳化；Counterpoint principal AI analyst Wei Sun 則認為，V4 嘅 benchmark profile 顯示它可能以顯著更低成本提供出色 agent 能力。

**優先測試場景：**重視開放模型路線、知識與數學 benchmark、agent tooling 成本效益，或者想喺本地 / 自管環境評估可下載模型嘅團隊。

按任務揀：最實用 shortlist

• **Terminal automation / command-line agents：先測 GPT-5.5。**可引用資料中，GPT-5.5 Terminal-Bench 2.0 為 82.7%，高於 Claude Opus 4.7 的 69.4%、DeepSeek V4-Pro 的 67.9 同 Kimi K2.6 的 66.7。
• **Software engineering repair / SWE-Bench Pro 類任務：先測 Claude Opus 4.7，但一定要跑自己 repo。**可引用分數中，Claude Opus 4.7 為 64.3%，GPT-5.5 同 Kimi K2.6 同為 58.6，DeepSeek V4-Pro 為 55.4；但 Claude 數字來源層級較低。
• **Screenshot、document understanding、computer-use：Claude Opus 4.7 優先。**Anthropic 文件直接提到 vision-heavy workflows、computer use 同 1:1 pixel coordinates，Anthropic launch page 亦引用 XBOW 98.5% 視覺敏銳度結果。
• **Knowledge / math 同開放模型路線：DeepSeek V4-Pro 優先納入 shortlist。**它的 Hugging Face model card 同時列出 GPQA Diamond、GSM8K、HLE、MMLU-Pro、SWE-Bench 同 TerminalBench 2.0 等分數。
• **Workers AI 上嘅 multimodal agentic workflow：Kimi K2.6 值得測。**Cloudflare 已提供 Kimi K2.6 的 Workers AI Day 0 support，並將其定位為 long-horizon coding 與 swarm-based task orchestration 的 native multimodal agentic model。

採用前：用同一套條件重跑，先有得 defend

如果你要一個可以喺內部會議 defend 到嘅結論，唔好只截幾張 leaderboard 圖。最少要控制以下條件：同一模型版本或 API model ID、同一上下文長度、同一工具權限、同一 reasoning effort、同一 temperature、同一 token budget、同一 scoring harness。工具權限尤其唔可以混用，因為 HLE 報導已經顯示 with tools 同 without tools 會改變相對結果。

成本亦要同能力一齊量。Artificial Analysis 報導稱 GPT-5.5 xhigh 跑其 Index 嘅成本約比前代高 20%、比 Claude Opus 4.7 max 低 30%，而 output tokens 約比前代少 40%；Anthropic 文件則提醒，高解析度影像會使用更多 tokens。 對 production agent 嚟講，速度、token 使用量、工具調用成功率、錯誤修復率，通常同單一 benchmark 分數一樣重要。

底線

目前最可信嘅比較，唔係「邊個係總冠軍」，而係「邊個先應該入你呢個任務嘅 shortlist」：Terminal-Bench 看 GPT-5.5，SWE-Bench 同視覺 / computer-use 看 Claude Opus 4.7，知識與數學 model card 看 DeepSeek V4-Pro，Workers AI 上嘅 multimodal agentic coding 就把 Kimi K2.6 放入候選清單。

等到四款模型都有同一 harness、同一工具設定、同一版本條件下嘅完整共同分數，先適合排出真正嘅總榜。