studioglobal
熱門發現
報告已發布6 來源

GPT-5.5 vs Claude Opus 4.7 vs Kimi K2.6 vs DeepSeek V4：先睇證據，再睇排名

唔應該硬排四模型總冠軍：OpenAI 同表數據顯示 Claude Opus 4.7 在 SWE Bench Pro 64.3% 高過 GPT 5.5 58.6%，但 GPT 5.5 在 Terminal Bench 2.0 82.7% 高過 Claude 69.4%。[21] Kimi K2.6 可以入開放模型 shortlist：Hugging Face 描述它是 open source、native multimodal agentic model；第三方文章列出 SWE Bench Pro 58.6%、SWE Bench Verified 80.2%，但證據等級低過同表官方對照。[32][34] DeepSeek V4...

使用 Studio Global AI 搜尋並查核事實從「發現」瀏覽更多內容
17K0
四個 AI 模型基準測試比較的抽象儀表板插圖
GPT-5.5 vs Claude Opus 4.7 vs Kimi K2.6 vs DeepSeek V4：基準測試比較表與證據等級AI 生成示意圖；本文聚焦可核驗 benchmark 分數與來源等級。
AI 提示

Create a landscape editorial hero image for this Studio Global article: GPT-5.5 vs Claude Opus 4.7 vs Kimi K2.6 vs DeepSeek V4：基準測試比較表與證據等級. Article summary: 目前不能公平排出四模型總冠軍：同表可比數據顯示 Claude Opus 4.7 在 SWE Bench Pro 64.3% vs GPT 5.5 58.6% 領先，但 GPT 5.5 在 Terminal Bench 2.0 82.7% vs 69.4% 領先；Kimi K2.6 與 DeepSeek V4 缺少同等級交叉驗證。[21]. Topic tags: ai, llm benchmarks, openai, anthropic, claude. 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 "# DeepSeek V4 Pro vs Claude Opus 4.7 vs GPT-5.5: The Frontier in April 2026. DeepSeek V4 Pro undercuts GPT-5.5 by ~9x on outpu

openai.com

如果你係為產品、工程團隊或者 coding agent 揀模型，第一個問題唔應該係「邊個最勁」，而係：邊啲 benchmark 真係同一把尺？

今次比較 GPT-5.5、Claude Opus 4.7、Kimi K2.6 同 DeepSeek V4，證據其實唔平均。GPT-5.5 同 Claude Opus 4.7 最乾淨，因為 OpenAI 公布 GPT-5.5 時，同一張表列出兩者在 SWE-Bench Pro 同 Terminal-Bench 2.0 嘅分數。[21] Kimi K2.6 就有 Hugging Face 模型頁描述，以及第三方文章列出 SWE-Bench 數字；DeepSeek V4 則喺本文可用來源入面未見足夠可核驗 benchmark，所以唔硬塞入數值排名。[32][34]

基準測試比較表

「—」代表本文可用來源未有可引用數字，唔代表模型做唔到相關任務。唔同來源、唔同測試 harness、唔同設定下嘅分數，唔應該直接加埋變成一個總分榜。

模型SWE-Bench ProSWE-Bench VerifiedTerminal-Bench 2.0其他可見資料證據等級與解讀
GPT-5.558.6% [21]—82.7% [21]Expert-SWE（Internal）73.1%；OpenAI 註記其他實驗室在此 eval 上見到 memorization evidence。[21]A-：SWE-Bench Pro 同 Terminal-Bench 2.0 來自 OpenAI 同一張比較表，可同 Claude Opus 4.7 直接對照；Expert-SWE 屬 internal eval，要保守睇。[21]
Claude Opus 4.764.3% [21]87.6% [4][6]69.4% [21]CursorBench 70%。[4][6]A-/B：SWE-Bench Pro 同 Terminal-Bench 2.0 可同 GPT-5.5 同表比較；SWE-Bench Verified 同 CursorBench 主要來自第三方整理，Verdent 將前者標示為 Anthropic-conducted、後者標示為 partner eval。[6][21]
Kimi K2.658.6% [34]80.2% [34]—Hugging Face 頁面將 Kimi K2.6 描述為 open-source、native multimodal agentic model。[32]B（有限）：SWE-Bench 分數來自第三方文章；本文來源未見到可同 GPT-5.5、Claude Opus 4.7 同表交叉驗證嘅官方完整 benchmark。[32][34]
DeepSeek V4————C（資料不足）：本文可用來源未有可引用 DeepSeek V4 benchmark，因此唔做數值排名。

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%。[21] 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。[34]

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%。[21] 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。[4][6] Kimi K2.6 的 SWE-Bench Verified 80.2% 則來自 Kilo AI 第三方文章。[34]

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。[21]

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。[21] 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%。[21] Vellum 亦將呢組差距放喺 real GitHub issue resolution 嘅語境下解讀。[24]

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%。[21] 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%。[32][34] 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。[21]
  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。[4][6]
  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。[32][34]

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。[21][32][34]

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。

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

  • 唔應該硬排四模型總冠軍：OpenAI 同表數據顯示 Claude Opus 4.7 在 SWE Bench Pro 64.3% 高過 GPT 5.5 58.6%，但 GPT 5.5 在 Terminal Bench 2.0 82.7% 高過 Claude 69.4%。[21]
  • Kimi K2.6 可以入開放模型 shortlist：Hugging Face 描述它是 open source、native multimodal agentic model；第三方文章列出 SWE Bench Pro 58.6%、SWE Bench Verified 80.2%，但證據等級低過同表官方對照。[32][34]
  • DeepSeek V4 喺本文可用來源入面未有足夠可引用 benchmark；GPT 5.5 的 Expert SWE 73.1% 亦屬 internal eval，且有 memorization evidence 提示，不宜當總排名核心。[21]

人們還問

「GPT-5.5 vs Claude Opus 4.7 vs Kimi K2.6 vs DeepSeek V4：先睇證據，再睇排名」的簡短答案是什麼？

唔應該硬排四模型總冠軍：OpenAI 同表數據顯示 Claude Opus 4.7 在 SWE Bench Pro 64.3% 高過 GPT 5.5 58.6%，但 GPT 5.5 在 Terminal Bench 2.0 82.7% 高過 Claude 69.4%。[21]

首先要驗證的關鍵點是什麼？

唔應該硬排四模型總冠軍：OpenAI 同表數據顯示 Claude Opus 4.7 在 SWE Bench Pro 64.3% 高過 GPT 5.5 58.6%，但 GPT 5.5 在 Terminal Bench 2.0 82.7% 高過 Claude 69.4%。[21] Kimi K2.6 可以入開放模型 shortlist：Hugging Face 描述它是 open source、native multimodal agentic model；第三方文章列出 SWE Bench Pro 58.6%、SWE Bench Verified 80.2%，但證據等級低過同表官方對照。[32][34]

接下來在實務上我該做什麼？

DeepSeek V4 喺本文可用來源入面未有足夠可引用 benchmark；GPT 5.5 的 Expert SWE 73.1% 亦屬 internal eval，且有 memorization evidence 提示，不宜當總排名核心。[21]

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，並為我以比較表形式展示。

Studio Global AI40 來源

引用的答案

先給你可用結論：在本次可核實資料裡，GPT-5.5 與 Claude Opus 4.7 的 benchmark 最完整，且在 OpenAI 同一張對照表上，Claude Opus 4.7 在 SWE-Bench Pro 以 64.3% 高於 GPT-5.5 的 58.6%，但 GPT-5.5 在 Terminal-Bench 2.0 以 82.7% 高於 Claude Opus 4.7 的 69.4%。[14] Kimi K2.6 目前只看到第三方摘要數值，DeepSeek V4 則缺乏足夠可核實 benchmark，因此我把「分數」與「證據等級」一起標在表裡。[4]

Key findings

模型SWE-Bench ProSWE-Bench VerifiedTerminal-Bench 2.0其他可見 benchmark證據等級 / 備註
GPT-5.558.6% [14]—82.7% [14]Expert-SWE（Internal）73.1% [14]OpenAI 官方資料；OpenAI 也註記 Expert-SWE 有 memorization 風險提示，需保守解讀。[14]
Claude Opus 4.764.3% [14]87.6% [10]69.4% [14]CursorBench 70% [10]SWE-Bench Pro / Terminal-Bench 2.0 可與 GPT-5.5 同口徑比較。[14] Verified / CursorBench 來自第三方對 vendor/partner eval 的摘要，不是獨立 leaderboard。[10]
Kimi K2.658.6% [4]80.2% [4]——目前僅見第三方摘要，未在本次證據集中交叉核實到官方完整 benchmark 頁面。[4]
DeepSeek V4Insufficient evidenceInsufficient evidenceInsufficient evidence—本次檢索未取得足夠可核實 benchmark，暫不做數值比較。
  • 如果只看目前可同口徑對照的共享 benchmark，Claude Opus 4.7 在 SWE-Bench Pro 高於 GPT-5.5，而 GPT-5.5 在 Terminal-Bench 2.0 高於 Claude Opus 4.7。[14]
  • GPT-5.5 的 73.1% Expert-SWE 屬於 internal eval，且 OpenAI 自己提醒有 memorization caveat，因此不宜單獨把它當作總體排名依據。[14]
  • Claude Opus 4.7 的 87.6% SWE-Bench Verified 很強，但本次可用資料中，這個數值來自第三方摘要的 vendor/partner-eval 描述，可信度仍低於同張官方對照表裡的共享 benchmark。[10][14]
  • Kimi K2.6 依目前可見摘要，在 SWE-Bench Pro 與 GPT-5.5 同為 58.6%，且 SWE-Bench Verified 為 80.2%，但因缺乏同等級官方交叉驗證，我不建議直接把它與 GPT-5.5、Claude Opus 4.7 做嚴格總排名。[4][14]

Evidence notes

  • OpenAI 的比較表同時列出 GPT-5.5、GPT-5.4、Claude Opus 4.7 與 Gemini 3.1 Pro 在 SWE-Bench Pro 與 Terminal-Bench 2.0 的成績，所以這兩欄是本次最乾淨的 apples-to-apples 子集。[14]
  • Claude Opus 4.7 的 87.6% SWE-Bench Verified 與 70% CursorBench，在本次資料中來自第三方摘要，且摘要本身把它描述為 Anthropic-conducted / partner eval。[10]
  • Kimi K2.6 的數值來自本次檢索到的第三方結果摘要，而不是我已核實的官方 benchmark 表。[4]

Limitations / uncertainty

  • 四個模型沒有在完全一致的 benchmark 集上都公布足夠數字，因此如果你要的是「四家嚴格總排名」，目前證據不足。[14][10][4]
  • 目前可見的多數數據仍帶有廠商自報、合作方摘要或單一來源片段的限制，獨立重跑結果可能不同。[14][10]
  • DeepSeek V4：Insufficient evidence.

Summary

目前最穩妥的比較方式，是只拿共享 benchmark 來看：Claude Opus 4.7 在 SWE-Bench Pro 領先，GPT-5.5 在 Terminal-Bench 2.0 領先。[14] Kimi K2.6 看起來在 SWE-Bench 系列有競爭力，但證據等級較低。[4] DeepSeek V4 目前無法公平放入同一張排名表，因為可核實資料不足。

如果你要，我下一步可以幫你做兩個延伸版本：

  1. 只保留「官方來源」的極保守比較表。
  2. 擴充到 Artificial Analysis、Vals AI 等第三方榜單，做一版「更完整但混合來源」的比較表。

來源

  • [4] Claude Opus 4.7: Full Review, Benchmarks & Features (2026)buildfastwithai.com

    Claude Opus 4.7 Benchmarks: The Full Picture Claude Opus 4.7 leads all publicly available (non-preview) models on five major benchmarks as of April 16, 2026. The one exception is BrowseComp, which I will address in detail below. The headline: SWE-bench Pro...

  • [6] Claude Opus 4.7: What Changed for Coding Agents (April 2026)verdent.ai

    Benchmark Opus 4.6 Opus 4.7 GPT-5.4 Notes --- --- SWE-bench Verified 80.80% 87.60% — Anthropic-conducted; memorization screens applied SWE-bench Pro 53.50% 64.30% 57.70% Multi-language real-world tasks CursorBench 58% 70% — Source: Cursor CEO Michael Truell...

  • [21] Introducing GPT-5.5openai.com

    Evaluations Coding EvalGPT-5.5GPT‑5.4GPT-5.5 ProGPT‑5.4 ProClaude Opus 4.7Gemini 3.1 Pro SWE-Bench Pro (Public) 58.6%57.7%--64.3%54.2% Terminal-Bench 2.0 82.7%75.1%--69.4%68.5% Expert-SWE (Internal)73.1%68.5%---- Labs have noted evidence of memorization⁠(op...

  • [24] Everything You Need to Know About GPT-5.5 - Vellumvellum.ai

    SWE-bench Pro: the coding crown stays with Anthropic Claude Opus 4.7 scores 64.3% versus GPT-5.5's 58.6% — a 5.7-point gap on real GitHub issue resolution. OpenAI's system card includes an asterisk noting "evidence of memorization" from other labs on this e...

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

    Kimi K2.6 is an open-source, native multimodal agentic model that advances practical capabilities in long-horizon coding, coding-driven design, ... 5 days ago

  • [34] Kimi K2.6 Has Arrived: An Open-Weight Powerhouse for Agentic Workblog.kilo.ai

    It scored an impressive 80.2% on SWE-Bench Verified and 58.6% on SWE-Bench Pro, showcasing its deep understanding of real-world software ... 5 days ago