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

仲有一個重要細節：共同表格入面嘅 DeepSeek 係 DeepSeek-V4-Pro-Max；另一個 SWE-Bench Verified 來源講嘅係 DeepSeek V4-Pro，兩者唔應該混為一談 。

如果你只想快手揀模型

• 複雜 reasoning、但唔用工具： 先試 Claude Opus 4.7。佢喺 GPQA Diamond 同 Humanity’s Last Exam（HLE）無工具版本都領先 。
• Terminal / agentic 任務： GPT-5.5 最突出。Terminal-Bench 2.0 有 82.7%，高過 Claude Opus 4.7 嘅 69.4% 同 DeepSeek-V4-Pro-Max 嘅 67.9% 。
• 需要工具、瀏覽或外部操作嘅 reasoning： GPT-5.5 Pro 喺有資料嘅項目領先：HLE with tools 57.2%，BrowseComp 90.1% 。
• Coding，加上想試可自行部署嘅權重： Kimi K2.6 要獨立評估。Hugging Face 卡列出 SWE-Bench Verified 80.2、SWE-Bench Pro 58.6、Terminal-Bench 2.0 66.7 ；另有來源指 K2.6 權重喺 Hugging Face，可用 vLLM、SGLang 或 KTransformers 跑 。
• 成本比第一名更重要： DeepSeek V4 喺呢批 benchmark 行未攞第一，但公開價格係每 100 萬 input tokens $1.74、每 100 萬 output tokens $3.48；同源比較列出 GPT-5.5 為 $5/$30，Claude Opus 4.7 為 $5/$25 。

Benchmark 總表

「未列」意思係相關來源冇提供該格數字，唔代表模型得零分。

Reasoning：Claude 無工具較強，GPT-5.5 Pro 用工具反超

喺 GPQA Diamond，Claude Opus 4.7 同 GPT-5.5 差距好細：94.2% 對 93.6%；DeepSeek-V4-Pro-Max 則係 90.1% 。去到 Humanity’s Last Exam 無工具版本，Claude 優勢明顯啲：46.9%，對比 GPT-5.5 41.4%、GPT-5.5 Pro 43.1%、DeepSeek-V4-Pro-Max 37.7% 。

但一開放工具，排序就變。HLE with tools 入面，GPT-5.5 Pro 有 57.2%，Claude Opus 4.7 有 54.7%，GPT-5.5 有 52.2%，DeepSeek-V4-Pro-Max 有 48.2% 。所以比較準確嘅講法係：純 reasoning 先睇 Claude；工具增強型 reasoning 先睇 GPT-5.5 Pro 。

Coding 同 agentic 任務：GPT-5.5 喺 Terminal-Bench 拉開距離

今次最搶眼嘅差距係 Terminal-Bench 2.0。GPT-5.5 做到 82.7%，明顯高過 Claude Opus 4.7 嘅 69.4% 同 DeepSeek-V4-Pro-Max 嘅 67.9% 。Kimi K2.6 嘅 model card 列出 Terminal-Bench 2.0 為 66.7；另一個 LLM Stats leaderboard 亦列 Kimi K2.6 為 0.667、Claude Opus 4.7 為 0.694 。

SWE-Bench Pro / SWE Pro 就係另一幅圖：Claude Opus 4.7 以 64.3% 領先，GPT-5.5 為 58.6%，DeepSeek-V4-Pro-Max 為 55.4% 。Kimi K2.6 喺 Hugging Face 卡同樣列出 SWE-Bench Pro 58.6，但因為來源同測試批次唔係同一個共同表格，最好視為「值得測」而唔係直接判定同分 。

SWE-Bench Verified 更加唔適合砌成四模型總排名。Kimi K2.6 有 80.2，來自 model card 同 eval 檔案 ；另一個 DeepSeek V4 來源列出 Claude Opus 4.7 為 87.6%、DeepSeek V4-Pro 為 80.6%，但嗰條比較唔係完整覆蓋 GPT-5.5，而且講嘅 DeepSeek 版本係 V4-Pro，唔係 V4-Pro-Max 。

逐個模型點睇

GPT-5.5 / GPT-5.5 Pro

GPT-5.5 最大亮點係 Terminal-Bench 2.0：82.7%，係共同表格中呢一行嘅最高分 。GPT-5.5 Pro 唔係每一行都有數字，但有列出嘅地方都好強：HLE with tools 57.2%，BrowseComp 90.1%，兩者都係該行最高 。

實務上，如果你做嘅係 terminal 入面多步執行、agent 操作、或者工程自動化任務，GPT-5.5 值得第一個試；如果任務要配合工具、搜尋或 browsing，GPT-5.5 Pro 會更有吸引力 。

Claude Opus 4.7

Claude Opus 4.7 贏嘅範圍比較平均：GPQA Diamond 94.2%、HLE 無工具 46.9%、SWE-Bench Pro / SWE Pro 64.3%、MCP Atlas / MCPAtlas Public 79.1%，都係共同表格中該行第一 。

不過，Claude 喺 Terminal-Bench 2.0 輸畀 GPT-5.5，喺 HLE with tools 同 BrowseComp 就輸畀 GPT-5.5 Pro 。所以如果你要揀一個「純推理」或者接近 SWE-Bench Pro 類 coding 任務嘅首選，Claude Opus 4.7 係好自然嘅候選；但做 terminal agent 或 browsing-heavy 任務，就唔一定係第一順位 。

Kimi K2.6

Kimi K2.6 最大問題唔係分數低，而係資料來源唔同：佢唔喺主要共同比較表入面，所以唔應該硬同 GPT-5.5、Claude Opus 4.7、DeepSeek-V4-Pro-Max 做一刀切排名 。

但作為 coding 模型，Kimi K2.6 仍然值得留意。Hugging Face 卡列出 SWE-Bench Verified 80.2、SWE-Bench Pro 58.6、SWE-Bench Multilingual 76.7、Terminal-Bench 2.0 66.7、OSWorld-Verified 73.1 。另外，有來源指 K2.6 權重喺 Hugging Face，可經 vLLM、SGLang 或 KTransformers 執行；對需要 self-hosted 或本地實驗嘅團隊，呢點係同純 API 模型好唔同嘅考慮 。

DeepSeek V4

共同表格入面嘅 DeepSeek 係 DeepSeek-V4-Pro-Max 。喺列出嘅行入面，佢未有攞第一：GPQA Diamond 90.1%、HLE 無工具 37.7%、HLE 有工具 48.2%、Terminal-Bench 2.0 67.9%、SWE-Bench Pro / SWE Pro 55.4%、BrowseComp 83.4%、MCP Atlas / MCPAtlas Public 73.6% 。

DeepSeek V4 呢輪較突出嘅位，反而係價格。Mashable 同 DataCamp 列出 DeepSeek V4 API 價格為每 100 萬 input tokens $1.74、每 100 萬 output tokens $3.48；同一比較下，GPT-5.5 為 $5/$30，Claude Opus 4.7 為 $5/$25 。如果你嘅產品或內部流程對成本非常敏感，DeepSeek V4 值得放入自己 eval；但單睇呢張 benchmark 表，就唔應該話佢係總冠軍 。

比較時要記住嘅限制

1. 冇一個測試同時完整覆蓋四個模型所有項目。 共同表格包括 GPT-5.5、GPT-5.5 Pro、Claude Opus 4.7、DeepSeek-V4-Pro-Max；Kimi K2.6 係由 Hugging Face model card 同 eval 檔案補入 。
2. DeepSeek V4 有版本差異。 共同表格係 DeepSeek-V4-Pro-Max；SWE-Bench Verified 另一個數字就係 DeepSeek V4-Pro 。
3. GPT-5.5 Pro 唔係每行都有資料。 共同表格只喺部分 benchmark 列出 Pro，所以唔可以將佢喺 HLE with tools 或 BrowseComp 嘅優勢自動外推到全部測試 。
4. Kimi K2.6 最好自己跑 eval。 佢嘅 Hugging Face 數字有參考價值，但同 GPT-5.5、Claude Opus 4.7、DeepSeek-V4-Pro-Max 唔係同一張共同表格直接比較 。

總結

如果只睇共同表格，Claude Opus 4.7 贏 GPQA Diamond、HLE 無工具、SWE-Bench Pro 同 MCP Atlas；GPT-5.5 贏 Terminal-Bench 2.0；GPT-5.5 Pro 贏 HLE 有工具同 BrowseComp 。

Kimi K2.6 係一個好值得 coding 團隊測試嘅候選，尤其係你重視可用權重、自行部署或本地實驗；但佢唔應該被當成已經同其他三個模型完成同場直跑 。DeepSeek V4 喺呢批 benchmark 未係第一，但憑較低公開 API 價格，對成本敏感場景仍然值得納入評估 。