GPT-5.5、Claude Opus 4.7、Kimi K2.6、DeepSeek V4 跑分比較：點睇先唔會揀錯

先講結論

• 要解 ARC、視覺推理／抽象 puzzle：先試 GPT-5.5。 DocsBot 列出 GPT-5.5 在 ARC-AGI-2 為 85%，Claude Opus 4.7 為 75.8%；ARC-AGI-1 則是 95% 對 93.5%。
• 要做高難度推理或 HLE-style 題：Claude Opus 4.7 比較有優勢。 VentureBeat 的 HLE 無工具行列是 Claude 46.9%、GPT-5.5 41.4%、DeepSeek 37.7%；有工具行列是 Claude 54.7%、GPT-5.5 52.2%、DeepSeek 48.2%，但 GPT-5.5 Pro 單獨行有 57.2%。
• 要 coding benchmark：Claude 同 GPT-5.5 在頂部咬得好緊，Kimi K2.6 有競爭力。 AkitaOnRails coding benchmark 列出 Claude Opus 4.7 97、GPT-5.5 xHigh/Codex 96、Kimi K2.6 87，DeepSeek V4 Flash 78、V4 Pro 69。
• 要慳 API 錢做大量低風險試驗：DeepSeek V4 值得排入短名單。 Mashable 列出 DeepSeek V4 每 100 萬 input tokens US$1.74、output tokens US$3.48；GPT-5.5 是 US$5/US$30，Claude Opus 4.7 是 US$5/US$25。

Benchmark 表：邊一科邊個高分

下表的 — 代表來源片段未有可比數字，唔代表該模型零分。

點解唔應該硬頒一個總冠軍

最大問題不是某個結果信唔信得過，而是張張表的設定唔同。Artificial Analysis 用 GPT-5.5 medium、Kimi K2.6、Claude Opus 4.7 non-reasoning high；AkitaOnRails 用 GPT-5.5 xHigh/Codex，並將 DeepSeek V4 Flash 同 DeepSeek V4 Pro 分開；VentureBeat 亦將 GPT-5.5 同 GPT-5.5 Pro 分開列。

就算只比較 GPT-5.5 同 Claude Opus 4.7，結果都不是一面倒。LLM Stats 指，在兩間供應商都有報的 10 個 benchmark 入面，Opus 4.7 領先 6 個，GPT-5.5 領先 4 個；Claude 的優勢集中於重推理同 review-grade 測試，GPT-5.5 的優勢集中於長時間 tool-use 同 shell-driven 任務。

所以這比較更似分科成績表，而不是一個總平均分。你要先問自己：模型是用來解推理題、寫 code、做 terminal agent，還是大量低成本試稿？答案會不同。

GPT-5.5：ARC 同 terminal agent 最搶眼

GPT-5.5 最有說服力的優勢，集中在 ARC 同 Terminal-Bench。DocsBot 的 ARC-AGI-2 列出 GPT-5.5 85%，Claude Opus 4.7 75.8%；ARC-AGI-1 則是 GPT-5.5 95%，Claude 93.5%。

在 Terminal-Bench 2.0，GPT-5.5 取得 82.7%，明顯高過 Claude Opus 4.7 的 69.4% 同 DeepSeek 的 67.9%。 這亦同 LLM Stats 的觀察一致：GPT-5.5 的領先項目較集中於 long-running tool-use 同 shell-driven 任務。

Artificial Analysis 亦將 GPT-5.5 medium 列為 57，高過 Kimi K2.6 的 54，以及 Claude Opus 4.7 non-reasoning high 的 52。 但這不是所有模式、所有任務的總排名；同一批資料亦顯示 Claude 在部分推理和 software-engineering 測試有優勢。

Claude Opus 4.7：高難度推理同 code review 更穩

Claude Opus 4.7 最強的訊號，來自 HLE（Humanity’s Last Exam）同 SWE-Bench Pro。VentureBeat 列出 HLE 無工具時，Claude Opus 4.7 是 46.9%，GPT-5.5 是 41.4%，DeepSeek 是 37.7%；開工具後，Claude 是 54.7%，GPT-5.5 是 52.2%，DeepSeek 是 48.2%。同一張表亦有 GPT-5.5 Pro 單獨行 57.2%，高過 Claude，所以若你可用 Pro 模式，也應納入測試。

在 SWE-Bench Pro，DataCamp 列出 Claude Opus 4.7 為 64.3%，GPT-5.5 為 58.6%，DeepSeek V4 Pro 為 55.4%。 LLM Stats 亦指出 Claude 在 GPQA、HLE 無工具、HLE 有工具、SWE-Bench Pro、MCP Atlas 和 FinanceAgent v1.1 領先 GPT-5.5。

簡單講，如果任務涉及深推理、複雜 code review、或者錯一個 hidden bug 成本很高，Claude Opus 4.7 應該排在首批測試名單。

Kimi K2.6：唔係每張表都有，但開放權重令它值得測

Kimi K2.6 比較難放入一張完整總榜，因為它不一定出現在 GPT-5.5、Claude Opus 4.7、DeepSeek V4 同場的表。Artificial Analysis 的可見片段中，Kimi K2.6 是 54，低過 GPT-5.5 medium 的 57，但高過 Claude Opus 4.7 non-reasoning high 的 52。

在 AkitaOnRails coding benchmark，Kimi K2.6 是 87，低過 Claude Opus 4.7 的 97 同 GPT-5.5 xHigh/Codex 的 96，但高過 DeepSeek V4 Flash 的 78 同 DeepSeek V4 Pro 的 69。 Verdent 的 SWE-Bench Verified 比較則列出 Kimi K2.6 80.2%，Claude Opus 4.7 87.6%。

Kimi 的另一個重點是 open-weight 路線。Verdent 指 K2.6 weights 可在 Hugging Face 取得，並可用 vLLM、SGLang 或 KTransformers 跑；在縮減 context 的 INT4 版本下，最小可行硬件配置為 4× H100。

Hugging Face README 亦列出 Kimi K2.6 的 agentic 指標，例如 HLE-Full 有工具 54.0、BrowseComp 83.2、DeepSearchQA f1-score 92.5、Toolathlon 50.0、MCPMark 55.9。不過，該表主要同 GPT-5.4、Claude Opus 4.6、Gemini 3.1 Pro 比較，而不是本文四款模型完整同場比較。

DeepSeek V4：跑分不是最高，但成本會改變玩法

在這批來源入面，DeepSeek V4 較多時候是 price-performance 選項，而不是最高 raw score 選項。VentureBeat 列出的 HLE 無工具、HLE 有工具、Terminal-Bench 2.0，DeepSeek 都低過 GPT-5.5 和 Claude Opus 4.7 的對應行。 DataCamp 的 SWE-Bench Pro 亦列出 DeepSeek V4 Pro 55.4%，低過 GPT-5.5 的 58.6% 和 Claude Opus 4.7 的 64.3%。 AkitaOnRails coding benchmark 中，DeepSeek V4 Flash 78、DeepSeek V4 Pro 69，也低過 Kimi K2.6、GPT-5.5 xHigh/Codex 同 Claude Opus 4.7。

但價錢會改變產品決策。Mashable 列出 DeepSeek V4 每 100 萬 input tokens US$1.74、每 100 萬 output tokens US$3.48；GPT-5.5 是 US$5/US$30，Claude Opus 4.7 是 US$5/US$25。 這不會令 DeepSeek 變成 benchmark 冠軍，但如果你做大量草稿、低風險任務、內部 eval，較低每次嘗試成本可能比多幾個百分點更實際。

實戰點揀：先測哪一款

• ARC、visual reasoning、抽象 puzzle： 先試 GPT-5.5，因為它在 DocsBot 的 ARC-AGI-2 同 ARC-AGI-1 都高過 Claude Opus 4.7。
• Hard reasoning、HLE-style 任務： 基礎行先試 Claude Opus 4.7；如果你可用 GPT-5.5 Pro，有工具 HLE 也應一起測，因為該單獨行高過 Claude。
• Terminal、shell-driven agent、tool-use： 先試 GPT-5.5，Terminal-Bench 2.0 是它在這批資料中最明顯的直接優勢。
• SWE-Bench Pro、review-heavy software engineering： 先試 Claude Opus 4.7，DataCamp 同 LLM Stats 都顯示 Claude 在 SWE-Bench Pro 有優勢。
• Open-weight 或 self-hosted coding/agentic 場景： 如果 Hugging Face、vLLM、SGLang 或 KTransformers 的部署路線對你重要，Kimi K2.6 值得用自己任務測一次。
• 高用量、預算敏感的 pilot： 如果每次嘗試成本比最高 benchmark 分更重要，DeepSeek V4 可以先入短名單。

總結

只睇 benchmark，最上層的對決仍然是 GPT-5.5 對 Claude Opus 4.7：GPT-5.5 在 ARC 同 Terminal-Bench 更突出，Claude Opus 4.7 在 HLE 同 SWE-Bench Pro 更亮眼。 Kimi K2.6 是強 coding/agentic 候選，尤其當你重視開放權重和自架路線，但直接同場比較較少。 DeepSeek V4 在這些資料中 raw score 通常較低，不過 API 價格令它在 price-performance pilot 上很有存在感。

最穩陣做法不是照抄排行榜，而是按你的任務類型、錯誤成本、延遲要求同 token 預算，自己做一個小型 eval。