最值得睇邊幾個 benchmark？

SWE-Bench Pro：Claude Opus 4.7 領先 GPT-5.5

喺 OpenAI 嘅 GPT-5.5 評測表，Claude Opus 4.7 在 SWE-Bench Pro 係 64.3%，高過 GPT-5.5 嘅 58.6%。 呢組係今次最值得直接比較嘅數據之一，因為兩個模型出自同一張 OpenAI 表。

Kimi K2.6 亦被 Kilo AI 第三方文章列為 SWE-Bench Pro 58.6%，表面上接近 GPT-5.5；不過呢個數字未同 GPT-5.5、Claude Opus 4.7 出現喺同一張可引用交叉表，所以只適合作參考訊號，唔宜當成嚴格勝負。

Terminal-Bench 2.0：GPT-5.5 領先 Claude Opus 4.7

同一張 OpenAI 評測表顯示，GPT-5.5 在 Terminal-Bench 2.0 係 82.7%，Claude Opus 4.7 係 69.4%。 如果你嘅場景偏向終端機操作、命令列工作流，或者 coding agent 真正落手執行任務，GPT-5.5 應該優先入測試名單。

但要留意，本文來源未有 Kimi K2.6 或 DeepSeek V4 在 Terminal-Bench 2.0 嘅可引用分數，所以呢一欄唔能夠排四模型完整名次。

SWE-Bench Verified：Claude 數字高過 Kimi，但口徑唔同

Claude Opus 4.7 的 SWE-Bench Verified 87.6% 見於第三方 Claude Opus 4.7 評測整理；Verdent 將呢個數字標示為 Anthropic-conducted，並提到有 memorization screens applied。 Kimi K2.6 的 SWE-Bench Verified 80.2% 則來自 Kilo AI 第三方文章。

兩組數字都有參考價值，但唔似 OpenAI 同表入面嘅 SWE-Bench Pro 同 Terminal-Bench 2.0 咁適合直接硬比。

Expert-SWE：只可當內部訊號，唔適合做總排名

GPT-5.5 在 Expert-SWE（Internal）為 73.1%，但 OpenAI 自己將其標示為 internal eval，並註記其他實驗室在此 eval 上見到 memorization evidence。 所以 Expert-SWE 可以話係 OpenAI 內部能力訊號，但唔適合作為四模型總排名嘅核心依據。

實際揀模型：按任務揀，唔好只望總分

如果你處理嘅係 GitHub issue 修復、multi-file bug 或複雜軟件工程任務，Claude Opus 4.7 值得先試。 喺最可直接對照嘅 SWE-Bench Pro 數據中，Claude Opus 4.7 以 64.3% 高過 GPT-5.5 嘅 58.6%。 Vellum 亦將呢組差距放喺 real GitHub issue resolution 嘅語境下解讀。

如果你嘅工作流似終端機操作型 coding agent，GPT-5.5 值得先試。 GPT-5.5 在 Terminal-Bench 2.0 的可引用分數係 82.7%，高過 Claude Opus 4.7 的 69.4%。 呢點唔代表 GPT-5.5 在所有 coding 任務都較好，只代表它喺呢個特定 benchmark 有明確優勢。

如果你需要開放模型候選，Kimi K2.6 可以放入 shortlist。 Hugging Face 將 Kimi K2.6 描述為 open-source、native multimodal agentic model；Kilo AI 第三方文章列出它在 SWE-Bench Pro 58.6%、SWE-Bench Verified 80.2%。 但因為本文來源未見到同 GPT-5.5、Claude Opus 4.7 同表嘅官方交叉比較，最好仍然用你自己嘅任務集重測。

如果你正在評估 DeepSeek V4，最穩陣係等更多可引用 benchmark，或者自己重跑。 本文可用來源未有 DeepSeek V4 嘅可核驗分數；硬將佢排入榜，反而比留白更容易誤導。

點解本文唔頒「總冠軍」？

LLM benchmark 最易出事嘅位，就係將唔同來源、唔同測試設定、唔同任務類型嘅分數撈埋。今次可以分三層睇：

1. 同表共享 benchmark：例如 GPT-5.5 同 Claude Opus 4.7 喺 OpenAI 表中嘅 SWE-Bench Pro、Terminal-Bench 2.0，係今次最適合直接對照嘅資料。
2. 第三方整理嘅 vendor 或 partner eval：例如 Claude Opus 4.7 嘅 SWE-Bench Verified 同 CursorBench，仍有參考價值，但要留意來源同測試口徑。
3. 缺少交叉驗證或可引用數字不足：例如 Kimi K2.6 目前主要靠第三方文章列出 SWE-Bench 數字；DeepSeek V4 喺本文來源入面未有足夠 benchmark 可引用。

按呢個標準，結論其實幾清楚：Claude Opus 4.7 在 SWE-Bench Pro 領先 GPT-5.5；GPT-5.5 在 Terminal-Bench 2.0 領先 Claude Opus 4.7；Kimi K2.6 的 SWE-Bench 數字有競爭力，但證據等級較低；DeepSeek V4 暫時應列為資料不足。

真正落地選型，唔應該停喺 benchmark 表。最好用呢張表先縮窄 shortlist，下一步再用你自己嘅 repo 類型、程式語言、測試環境、工具調用、延遲、成本同失敗恢復方式重測。咁得出嚟嘅結果，會比一個「四模型總排名」更貼近實際產品表現。

最值得睇邊幾個 benchmark？

SWE-Bench Pro：Claude Opus 4.7 領先 GPT-5.5

喺 OpenAI 嘅 GPT-5.5 評測表，Claude Opus 4.7 在 SWE-Bench Pro 係 64.3%，高過 GPT-5.5 嘅 58.6%。 呢組係今次最值得直接比較嘅數據之一，因為兩個模型出自同一張 OpenAI 表。

Kimi K2.6 亦被 Kilo AI 第三方文章列為 SWE-Bench Pro 58.6%，表面上接近 GPT-5.5；不過呢個數字未同 GPT-5.5、Claude Opus 4.7 出現喺同一張可引用交叉表，所以只適合作參考訊號，唔宜當成嚴格勝負。

Terminal-Bench 2.0：GPT-5.5 領先 Claude Opus 4.7

同一張 OpenAI 評測表顯示，GPT-5.5 在 Terminal-Bench 2.0 係 82.7%，Claude Opus 4.7 係 69.4%。 如果你嘅場景偏向終端機操作、命令列工作流，或者 coding agent 真正落手執行任務，GPT-5.5 應該優先入測試名單。

但要留意，本文來源未有 Kimi K2.6 或 DeepSeek V4 在 Terminal-Bench 2.0 嘅可引用分數，所以呢一欄唔能夠排四模型完整名次。

SWE-Bench Verified：Claude 數字高過 Kimi，但口徑唔同

Claude Opus 4.7 的 SWE-Bench Verified 87.6% 見於第三方 Claude Opus 4.7 評測整理；Verdent 將呢個數字標示為 Anthropic-conducted，並提到有 memorization screens applied。 Kimi K2.6 的 SWE-Bench Verified 80.2% 則來自 Kilo AI 第三方文章。

兩組數字都有參考價值，但唔似 OpenAI 同表入面嘅 SWE-Bench Pro 同 Terminal-Bench 2.0 咁適合直接硬比。

Expert-SWE：只可當內部訊號，唔適合做總排名

GPT-5.5 在 Expert-SWE（Internal）為 73.1%，但 OpenAI 自己將其標示為 internal eval，並註記其他實驗室在此 eval 上見到 memorization evidence。 所以 Expert-SWE 可以話係 OpenAI 內部能力訊號，但唔適合作為四模型總排名嘅核心依據。

實際揀模型：按任務揀，唔好只望總分

如果你處理嘅係 GitHub issue 修復、multi-file bug 或複雜軟件工程任務，Claude Opus 4.7 值得先試。 喺最可直接對照嘅 SWE-Bench Pro 數據中，Claude Opus 4.7 以 64.3% 高過 GPT-5.5 嘅 58.6%。 Vellum 亦將呢組差距放喺 real GitHub issue resolution 嘅語境下解讀。

如果你嘅工作流似終端機操作型 coding agent，GPT-5.5 值得先試。 GPT-5.5 在 Terminal-Bench 2.0 的可引用分數係 82.7%，高過 Claude Opus 4.7 的 69.4%。 呢點唔代表 GPT-5.5 在所有 coding 任務都較好，只代表它喺呢個特定 benchmark 有明確優勢。

如果你需要開放模型候選，Kimi K2.6 可以放入 shortlist。 Hugging Face 將 Kimi K2.6 描述為 open-source、native multimodal agentic model；Kilo AI 第三方文章列出它在 SWE-Bench Pro 58.6%、SWE-Bench Verified 80.2%。 但因為本文來源未見到同 GPT-5.5、Claude Opus 4.7 同表嘅官方交叉比較，最好仍然用你自己嘅任務集重測。

如果你正在評估 DeepSeek V4，最穩陣係等更多可引用 benchmark，或者自己重跑。 本文可用來源未有 DeepSeek V4 嘅可核驗分數；硬將佢排入榜，反而比留白更容易誤導。

點解本文唔頒「總冠軍」？

LLM benchmark 最易出事嘅位，就係將唔同來源、唔同測試設定、唔同任務類型嘅分數撈埋。今次可以分三層睇：

1. 同表共享 benchmark：例如 GPT-5.5 同 Claude Opus 4.7 喺 OpenAI 表中嘅 SWE-Bench Pro、Terminal-Bench 2.0，係今次最適合直接對照嘅資料。
2. 第三方整理嘅 vendor 或 partner eval：例如 Claude Opus 4.7 嘅 SWE-Bench Verified 同 CursorBench，仍有參考價值，但要留意來源同測試口徑。
3. 缺少交叉驗證或可引用數字不足：例如 Kimi K2.6 目前主要靠第三方文章列出 SWE-Bench 數字；DeepSeek V4 喺本文來源入面未有足夠 benchmark 可引用。

按呢個標準，結論其實幾清楚：Claude Opus 4.7 在 SWE-Bench Pro 領先 GPT-5.5；GPT-5.5 在 Terminal-Bench 2.0 領先 Claude Opus 4.7；Kimi K2.6 的 SWE-Bench 數字有競爭力，但證據等級較低；DeepSeek V4 暫時應列為資料不足。

真正落地選型，唔應該停喺 benchmark 表。最好用呢張表先縮窄 shortlist，下一步再用你自己嘅 repo 類型、程式語言、測試環境、工具調用、延遲、成本同失敗恢復方式重測。咁得出嚟嘅結果，會比一個「四模型總排名」更貼近實際產品表現。