studioglobal
熱門發現
報告已發布13 來源

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

唔好將四款模型硬排成一張總榜：GPT 5.5 在 Terminal Bench 2.0 達 82.7%，Claude Opus 4.7 在 SWE Bench Pro 為 64.3%，但後者來自次級整理引用 AWS；不同來源、工具權限同 effort 設定唔應混用。[27][4][6] 視覺、screenshot、document understanding 同 computer use 任務，Claude Opus 4.7 嘅官方證據最直接：Anthropic 文件提到 vision heavy workflow gains、1:1 pixel coordinates，launch page 亦引用 XBOW 98.5% 視...

使用 Studio Global AI 搜尋並查核事實從「發現」瀏覽更多內容
17K0
四款 AI 模型的基準測試比較示意圖，包含 GPT-5.5、Claude Opus 4.7、Kimi K2.6 與 DeepSeek V4
GPT-5.5、Claude Opus 4.7、Kimi K2.6、DeepSeek V4 基準測試比較AI 生成示意圖：本文比較 GPT-5.5、Claude Opus 4.7、Kimi K2.6 與 DeepSeek V4-Pro 在公開基準測試中的表現。
AI 提示

Create a landscape editorial hero image for this Studio Global article: GPT-5.5、Claude Opus 4.7、Kimi K2.6、DeepSeek V4 基準測試比較. Article summary: 目前不能公平選出單一總冠軍；四款模型缺少同一評測 harness、同一工具設定下的完整共同分數。可引用資料中，GPT 5.5 以 82.7% 領先 Terminal Bench 2.0，Claude Opus 4.7 以 64.3% 暫居 SWE Bench Pro 第一，但 Claude 數字來自次級整理引用 AWS。[27][4]. Topic tags: ai, llm, benchmarks, openai, anthropic. Reference image context from search candidates: Reference image 1: visual subject "OpenAI’s GPT-5.5, Anthropic’s Claude Opus 4.7, and DeepSeek V4 arrived close enough together to look like a clean three-way race. **GPT-5.5 is OpenAI’s bet on execution-heavy profe" source context "GPT-5.5, Claude Opus 4.7, and DeepSeek V4 reveal three different ..." Reference image 2: visual subject "GPT-5.5, Claude Opus 4.7, and DeepSeek V4 reveal three different futures for AI" source context "GPT-5.5, Claude Opus 4.7, and DeepSeek V4 reveal thr

openai.com

如果你正喺度為 coding agent、內部自動化工具或者多模態 workflow 揀模型，最易中伏嘅位係：見到幾個 benchmark 分數，就即刻排一張「總冠軍」。今次 GPT-5.5、Claude Opus 4.7、Kimi K2.6 同 DeepSeek V4-Pro 嘅公開資料，來源層級、工具權限、reasoning effort、benchmark harness 都唔完全一致；比較方式應該係任務導向，而唔係一條龍總排名。

暫時較穩陣嘅讀法係：Terminal / CLI workflow 先測 GPT-5.5；SWE-Bench 同視覺、computer-use 先測 Claude Opus 4.7；知識、數學同開放模型路線留意 DeepSeek V4-Pro；如果你已經喺 Cloudflare Workers AI 跑 agent workflow，Kimi K2.6 亦值得放入 shortlist。[27][4][1][5][64][36]

Benchmark 快照：數字可以咁睇

下表只列出今次來源入面可引用嘅分數。破折號代表本次資料冇同一欄位嘅可引用數字，唔代表模型能力係零。更重要係，呢啲分數唔係全部來自同一官方 harness，所以適合做初步篩選，唔適合當成絕對 leaderboard。

測試或任務GPT-5.5Claude Opus 4.7Kimi K2.6DeepSeek V4-Pro實務解讀
Terminal-Bench 2.082.7% [27]69.4% [4]66.7 [84]67.9 [64]可引用資料入面，GPT-5.5 對 command-line workflow 最突出。
SWE-Bench Pro58.6% [27]64.3% [4]58.6 [84]55.4 [64]Claude 暫時最高，但該數字來自次級整理引用 AWS，採用前要自己重跑。
SWE-Bench Verified / Resolved—87.6% [4]80.2 [45]80.6 [64]Claude 最高；但缺少 GPT-5.5 同列可比數字，而且 Verified / Resolved 命名未完全一致。
Graphwalks 256k：BFS / parents73.7 / 90.1 [21]76.9 / 93.6 [21]——OpenAI 長上下文表入面，256k 兩列 Claude Opus 4.7 高過 GPT-5.5。
Graphwalks 1M：BFS / parents45.4 / 58.5 [21]———OpenAI 表可用嚟睇 GPT-5.5 嘅 1M 長上下文表現；同表 1M 對照欄位標示為 Opus 4.6，唔應用嚟判斷 Opus 4.7。[21]
知識與數學———GPQA Diamond 90.1、GSM8K 92.6、MMLU-Pro 87.5、HLE 37.7 [64]DeepSeek V4-Pro 喺今次資料入面有最完整嘅公開 model card 數值。
視覺、screenshot、computer-use—vision-heavy workload gains；1:1 pixel coordinates；XBOW 視覺敏銳度 98.5% [1][5]Cloudflare 稱為 native multimodal agentic model，但冇同一視覺 benchmark 分數 [36]—Claude Opus 4.7 對視覺理解同 UI 操作嘅證據最直接。

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。[27][4][84][64]

**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。[6]

**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。[57][64] 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%。[24]

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。[27]

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。[21]

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%。[24]

**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。[27][21][24]

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。[1]

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%。[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。[1][5]

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%。[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。[1]

**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。[1][4][5]

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。[36]

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。[36]

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。[84] MarkTechPost 另報導 Kimi K2.6 在 SWE-Bench Verified 為 80.2。[45]

**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。[36][84]

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。[57]

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。[64]

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。[58]

**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。[58][64]

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。[27][4][64][84]
  • **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。[4][27][84][64]
  • **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。[1][5]
  • **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。[64]
  • **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。[36]

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。[6]

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。[24][1] 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。[27][4][1][5][64][36]

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。

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.

使用 Studio Global AI 搜尋並查核事實

重點

  • 唔好將四款模型硬排成一張總榜：GPT 5.5 在 Terminal Bench 2.0 達 82.7%，Claude Opus 4.7 在 SWE Bench Pro 為 64.3%，但後者來自次級整理引用 AWS；不同來源、工具權限同 effort 設定唔應混用。[27][4][6]
  • 視覺、screenshot、document understanding 同 computer use 任務，Claude Opus 4.7 嘅官方證據最直接：Anthropic 文件提到 vision heavy workflow gains、1:1 pixel coordinates，launch page 亦引用 XBOW 98.5% 視覺敏銳度結果。[1][5]
  • DeepSeek V4 Pro 嘅 Hugging Face model card 提供 GPQA、GSM8K、MMLU Pro、HLE、SWE Bench 同 TerminalBench 分數；Kimi K2.6 則因 Cloudflare Workers AI 可用性同 multimodal agentic workflow 定位而值得入 shortlist。[64][36]

人們還問

「GPT-5.5、Claude Opus 4.7、Kimi K2.6、DeepSeek V4-Pro 點揀？Benchmark 唔係一張總榜」的簡短答案是什麼？

唔好將四款模型硬排成一張總榜：GPT 5.5 在 Terminal Bench 2.0 達 82.7%，Claude Opus 4.7 在 SWE Bench Pro 為 64.3%，但後者來自次級整理引用 AWS；不同來源、工具權限同 effort 設定唔應混用。[27][4][6]

首先要驗證的關鍵點是什麼？

唔好將四款模型硬排成一張總榜：GPT 5.5 在 Terminal Bench 2.0 達 82.7%，Claude Opus 4.7 在 SWE Bench Pro 為 64.3%，但後者來自次級整理引用 AWS；不同來源、工具權限同 effort 設定唔應混用。[27][4][6] 視覺、screenshot、document understanding 同 computer use 任務，Claude Opus 4.7 嘅官方證據最直接：Anthropic 文件提到 vision heavy workflow gains、1:1 pixel coordinates，launch page 亦引用 XBOW 98.5% 視覺敏銳度結果。[1][5]

接下來在實務上我該做什麼？

DeepSeek V4 Pro 嘅 Hugging Face model card 提供 GPQA、GSM8K、MMLU Pro、HLE、SWE Bench 同 TerminalBench 分數；Kimi K2.6 則因 Cloudflare Workers AI 可用性同 multimodal agentic workflow 定位而值得入 shortlist。[64][36]

接下來我應該探索哪個相關主題？

繼續“Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6：2026 Benchmark 點睇先唔會睇錯”以獲得另一個角度和額外的引用。

開啟相關頁面

我應該將其與什麼進行比較？

對照「DeepSeek V4 唔止 1M context：MoE、長上下文同 API 遷移重點」交叉檢查此答案。

開啟相關頁面

繼續你的研究

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 K2.6：2026 Benchmark 點睇先唔會睇錯

Claude Opus 4.7 vs GPT-5.5 vs DeepSeek V4 vs Kimi K2.6：2026 Benchmark 實證比較

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 唔止 1M context：MoE、長上下文同 API 遷移重點

DeepSeek V4 唔止 1M context：MoE、長上下文同 API 遷移重點

木材市場與需求彈性概念的編輯插圖

Northwest vs Southeast Timber：替代性越高，點解係 larger; larger？

Northwest 與 Southeast Timber：替代性高，點解兩格都填 larger？

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

DeepSeek 會唔會打低 OpenAI、Claude、Gemini、Grok？真正關鍵係成本同信任

DeepSeek 會唔會打低 OpenAI、Claude、Gemini、Grok？

研究對話

你

研究問題

研究 GPT-5.5、Claude Opus 4.7、Kimi K2.6、DeepSeek V4 的基準測試表現，並根據這些基準測試對它們進行比較。

Studio Global AI40 來源

引用的答案

僅依據你提供的證據，現在還不能對 GPT-5.5、Claude Opus 4.7、Kimi K2.6、DeepSeek V4 做出嚴格而公平的基準測試總排名，因為這些材料沒有提供同一套 benchmark、同一版本設定下的完整分數，而且完全沒有 GPT-5.5 的 benchmark 資料。較能成立的結論是：Claude Opus 4.7 有最明確的官方證據顯示其在視覺與 computer-use 類工作流上提升明顯，[2] 且有次級報導稱其狹義重回 generally available LLM 的領先位置。[5] DeepSeek V4-Pro 則有公司說法經媒體轉述，稱其在 world knowledge benchmarks 上明顯領先其他開源模型，[6] 而 Kimi K2.6 在現有證據中只有產品定位與上線資訊，缺少可直接比較的 benchmark 成績。[1]

Key findings

  • 無法產生可信的四模型總排名：你提供的材料沒有共享 benchmark 分數，且缺少 GPT-5.5 的任何 benchmark 證據。

  • Claude Opus 4.7 的強項證據最集中在視覺與 computer-use 工作流。Anthropic 官方文件說明它對 vision-heavy workloads 有 performance gains，特別影響 computer use、screenshot、artifact 與 document understanding workflows，且將座標映射到影像也更簡單。[2] VentureBeat 另稱其解析度提升到前代的 3 倍，並在標題中將其描述為狹義重回 generally available LLM 領先。[5]

  • DeepSeek V4-Pro 的 benchmark 相關競爭性敘述最明確，但主要來自公司說法經媒體轉述。報導稱它在 world knowledge benchmarks 上明顯領先其他開源模型，且只略遜於頂級閉源模型；另有分析師根據其 benchmark profile 認為它可能以更低成本提供很強的 agent 能力。[6][7]

  • Kimi K2.6 目前只能確認是 Moonshot AI 的原生多模態 agentic model，並於 2026-04-20 在 Workers AI 上得到 Day 0 支援；你提供的證據沒有其可比 benchmark 分數。[1]

Confirmed facts

  • Kimi K2.6 已於 2026-04-20 在 Workers AI 上可用，Cloudflare 表示這是與 Moonshot AI 合作的 Day 0 支援；該模型被描述為 native multimodal agentic model。[1]

  • Anthropic 官方文件表示 Claude Opus 4.7 的變更會帶來 vision-heavy workloads 的 performance gains，且特別有助於 computer use、screenshot、artifact、document understanding workflows；將座標映射到影像也變得更簡單。[2]

  • VentureBeat 報導稱 Claude Opus 4.7 帶來相較前代 3 倍的解析度提升，並在標題中將其描述為狹義重回「most powerful generally available LLM」。[5]

  • 媒體報導稱 DeepSeek 提供 DeepSeek V4-Pro 與 DeepSeek V4-Flash 兩個版本；其中 V4-Pro 被描述為在 world knowledge benchmarks 上明顯領先其他開源模型，且僅略遜於頂級閉源模型。[6]

  • CNBC 報導稱 DeepSeek V4 已針對 Claude Code 與 OpenClaw 之類 agent 工具做最佳化；Counterpoint 的 Wei Sun 則認為其 benchmark profile 顯示它可能以更低成本提供優秀 agent 能力。[7]

  • Hugging Face 上存在一則要求補充 DeepSeek-V4-Pro 在 GPQA、GSM8K、HLE、MMLU-Pro、SWE-Bench Pro、SWE-Bench Verified、Terminal-Bench 2.0 等項目社群評測結果的討論。[4]

What remains inference

  • 把 Claude Opus 4.7 判定為四者整體第一，仍屬推論；現有證據沒有同一組 benchmark 的分數表可直接支持這個結論。[2][5]

  • 把 DeepSeek V4-Pro 判定為所有開源任務全面第一，也仍屬推論；目前可見的是媒體轉述的公司說法，缺少你提供證據中的原始分數表。[6]

  • 把 Kimi K2.6 放在任何明確名次，幾乎純屬猜測；目前只知道它的產品定位，沒有硬 benchmark 成績。[1]

  • 對 GPT-5.5 作任何 benchmark 結論都沒有證據基礎，因為提供材料裡沒有它的 benchmark 資料。

What the evidence suggests

  • 若只看視覺與 computer-use 類任務，Claude Opus 4.7 的證據最強，因為這是唯一在官方文件中明確聲稱該類工作流有性能提升的模型，且次級報導補充了解析度提升細節。[2][5]

  • 若只看現有材料中最明確的 benchmark 競爭描述，DeepSeek V4-Pro 在 world knowledge benchmarks 的定位最突出，因為它是唯一被直接描述為明顯領先其他開源模型的模型。[6]

  • 若看 agent tooling 與成本效益敘事，DeepSeek V4 也有較清楚的外部分析支持，因為報導提到它針對 Claude Code、OpenClaw 做了最佳化，且分析師從其 benchmark profile 推論出較強的 agent 能力/成本比。[7]

  • Kimi K2.6 看起來是以多模態與 agentic 能力為賣點，但在這組證據裡沒有足夠 benchmark 資料把它與 Claude 或 DeepSeek 做定量比較。[1]

  • 整體四模型排序：Insufficient evidence。

Conflicting evidence or uncertainty

  • 最大的不確定性不是「誰贏」，而是「有沒有可比數據」：目前沒有看到四個模型在同一 benchmark、同一版本、同一提示或工具設定下的分數。

  • Claude 的「領先」敘事主要來自次級報導的綜述與標題，而不是你提供證據中的原始官方 benchmark 表。[5]

  • DeepSeek 的最強 benchmark 主張來自公司說法經媒體轉述，因此可信度低於官方技術報告或第三方獨立評測。[6]

  • Kimi K2.6 的 benchmark 能力在這組證據裡幾乎空白，所以不能因產品描述或上線速度而推斷其分數。[1]

  • Reddit 上有人提醒 SWE-bench leaderboard 可能混用了不同版本與不同 benchmark 任務，這提示跨榜單比較可能失真；但這只是低權威來源，最多當弱提醒使用。[65]

Open questions

  • GPT-5.5 在 MMLU-Pro、GPQA、HLE、SWE-Bench Verified/Pro、Terminal-Bench 2.0、以及多模態 benchmark 上的成績是什麼？

  • Claude Opus 4.7、Kimi K2.6、DeepSeek V4 是否有同一版本 benchmark 表，且使用一致的工具權限、上下文長度、溫度與評分規則？

  • DeepSeek V4-Pro 所謂的 world knowledge benchmarks，具體是哪些測試、原始分數是多少、對照模型又是哪些？[6]

  • Kimi K2.6 是否已有第三方獨立 benchmark，而不只是上線與產品定位資訊？[1]

Sources worth trusting most

  • [2] 是 Anthropic 官方文件，對 Claude Opus 4.7 的產品級能力變更與適用工作流最可信。[2]

  • [1] 是 Cloudflare 官方 changelog，對 Kimi K2.6 的上線時間、可用性與產品定位最可信。[1]

  • [6] 與 [7] 是較可靠的媒體報導，適合用來了解 DeepSeek 的對外 benchmark 敘事與外部分析，但仍屬次級來源。[6][7]

  • [5] 可作為 Claude Opus 4.7 外界競爭定位的參考，但對硬 benchmark 來說仍弱於官方技術文件。[5]

  • [4] 只能證明社群正在補充 DeepSeek-V4-Pro 的評測結果，不能當成最終 benchmark 證據。[4]

  • [65] 權威性最低，只適合拿來提醒跨榜單比較可能有方法學問題。[65]

Recommended next step

  • 如果你要一個真正可 defend 的比較，下一步應該只蒐集四模型在共享 benchmark 上的原始分數表，優先看 MMLU-Pro、GPQA、HLE、SWE-Bench Verified/Pro、Terminal-Bench 2.0，以及多模態評測，並要求每個結果都標明是否允許 tools、browsing、test-time compute 與不同解碼設定。

  • 在目前這組證據下，最安全的暫時結論是：Claude Opus 4.7 在視覺/computer-use 能力的證據最強，[2][5] DeepSeek V4-Pro 在開源對比的 world knowledge benchmark 敘事最強，[6] Kimi K2.6 與 GPT-5.5 都不足以納入公平排名。[1]

Summary

基於目前證據，不能對 GPT-5.5、Claude Opus 4.7、Kimi K2.6、DeepSeek V4 做可靠的總體 benchmark 排名。較可靠的局部結論是：Claude Opus 4.7 在 vision/computer-use 類場景的正向證據最強，[2][5] DeepSeek V4-Pro 有最明確的開源 benchmark 領先聲稱，[6][7] Kimi K2.6 缺 benchmark 數據，[1] GPT-5.5 則完全沒有可用資料。若要嚴格比較，現階段最誠實的答案就是：Insufficient evidence。

來源

  • [1] What's new in Claude Opus 4.7 - Claude API Docsplatform.claude.com

    What's new in Claude Opus 4.7 - Claude API Docs Loading... . This change should unlock performance gains on vision-heavy workloads, and is particularly important for computer use and screenshot/artifact/document understanding workflows. Additionally, operat...

  • [4] Claude Opus 4.7: Pricing, Benchmarks & Context Windowalmcorp.com

    For coding, the official materials point to several standout numbers. Anthropic says Opus 4.7 improved resolution by 13% over Opus 4.6 on a 93-task coding benchmark. AWS cites 64.3% on SWE-bench Pro, 87.6% on SWE-bench Verified, and 69.4% on Terminal-Bench...

  • [5] Introducing Claude Opus 4.7anthropic.com

    Image 22: logo Claude Opus 4.7 feels like a real step up in intelligence. Code quality is noticeably improved, it’s cutting out the meaningless wrapper functions and fallback scaffolding that used to pile up, and fixes its own code as it goes. It’s the clea...

  • [6] Anthropic releases Claude Opus 4.7: How to try it, benchmarks, safetymashable.com

    Claude Mythos scored 56.8 percent on HLE Claude Opus 4.7 scored 46.9 percent Gemini 3.1 Pro scored 44.4 percent GPT-5-4 Pro scored 42.7 percent Claude Opus 4.6 scored 40.0 percent With tools, GPT-5-4-Pro scored 58.7 percent compared to Opus 4.7’s 54.7 perce...

  • [21] Introducing GPT-5.5openai.com

    Long context EvalGPT-5.5GPT‑5.4GPT-5.5 ProGPT‑5.4 ProClaudeOpus 4.7Gemini 3.1 Pro Graphwalks BFS 256k f1 73.7%62.5%--76.9%- Graphwalks BFS 1mil f1 45.4%9.4%--41.2% (Opus 4.6)- Graphwalks parents 256k f1 90.1%82.8%--93.6%- Graphwalks parents 1mil f1 58.5%44....

  • [24] OpenAI's GPT-5.5 is the new leading AI model - Artificial Analysisartificialanalysis.ai

    Image 2 OpenAI leads five of our headline evaluations and places second to Gemini 3.1 Pro Preview on three. Image 3 Effort variants provide a clear ladder to balance intelligence and cost. GPT-5.5 (xhigh) is 20% more expensive to run our Index than its pred...

  • [27] OpenAI releases GPT-5.5 with improved coding and research capabilitiesca.finance.yahoo.com

    © 2026 All rights reserved. About our ads Advertising Jobs Yahoo Finance Yahoo Finance Mail Sign in Investing.com OpenAI releases GPT-5.5 with improved coding and research capabilities Louis Juricic 1 min read Investing.com -- OpenAI announced Thursday the...

  • [36] Moonshot AI Kimi K2.6 now available on Workers AIdevelopers.cloudflare.com

    Image 2: hero image ← Back to all posts Moonshot AI Kimi K2.6 now available on Workers AI Apr 20, 2026 Workers AI @cf/moonshotai/kimi-k2.6 is now available on Workers AI, in partnership with Moonshot AI for Day 0 support. Kimi K2.6 is a native multimodal ag...

  • [45] Moonshot AI Releases Kimi K2.6 with Long-Horizon Coding, Agent ...marktechpost.com

    The Long-Horizon Coding Headline Numbers The metric that will likely get the most attention from dev teams is SWE-Bench Pro — a benchmark testing whether a model can resolve real-world GitHub issues in professional software repositories. Kimi K2.6 scores 58...

  • [57] China’s DeepSeek releases new AI model it claims beats all open-source competitorsau.finance.yahoo.com

    The model is available as DeepSeek V4-Pro and DeepSeek V4-Flash. The latter version, the company says, is a “more efficient and economical choice". “In world knowledge benchmarks, DeepSeek V4-Pro significantly leads other open-source models and is only slig...

  • [58] China's DeepSeek releases preview of long-awaited V4 model as AI ...cnbc.com

    DeepSeek also said that V4 has been optimized for use with popular agent tools such as Anthropic’s Claude Code and OpenClaw. According to Counterpoint’s principal AI analyst, Wei Sun, V4′s benchmark profile suggests it could offer “excellent agent capabilit...

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

    Evaluation results []( Diamond on Idavidrein/gpqaView evaluation resultsleaderboard 90.1 Gsm8k on openai/gsm8kView evaluation resultsleaderboard 92.6 Hle on cais/hleView evaluation results 37.7 Mmlu Pro on TIGER-Lab/MMLU-ProView evaluation results 87.5 SWE...

  • [84] moonshotai/Kimi-K2.6 - Hugging Facehuggingface.co

    3. Evaluation Results ; Terminal-Bench 2.0 (Terminus-2), 66.7, 65.4 ; SWE-Bench Pro, 58.6, 57.7 ; SWE-Bench Multilingual, 76.7, - ; SWE-Bench ... 5 days ago