截至 2026 年 4 月可見嘅公開報告，GPT‑5.5、Claude Opus 4.7、Kimi K2.6 同 DeepSeek V4 唔應該當成一張簡單「排行榜」去讀。更實際嘅睇法係：你想做 agent、自動用電腦、修 codebase、部署 open-weights model，定係試 long-context？唔同 workload，答案會唔同。

最大 caveat 要先講：唔同實驗室、工具權限、推理 effort setting、evaluation harness 都會改變分數，所以呢啲 benchmark 唔係完全 apples-to-apples。LM Council 亦提醒，獨立跑出嚟嘅 benchmark 未必同 AI 公司自報分數一致。 ^[12]

先講結論

• Agentic computer-use、browser workflow、terminal-heavy agents：GPT‑5.5 最有公開訊號。 OpenAI launch data 報告 GPT‑5.5 喺 Terminal‑Bench 2.0 有 82.7%、OSWorld‑Verified 78.7%、BrowseComp 84.4%、Toolathlon 55.6%。 ^[5]
• Production codebase repair、SWE‑Bench-style coding：Claude Opus 4.7 係最強 shortlist candidate。 已報告數字包括 SWE‑Bench Verified 87.6% 同 SWE‑Bench Pro 64.3%。 ^[17]
• Open-weights coding stack：Kimi K2.6 好有競爭力。 Kimi 官方材料列出 Terminal‑Bench 2.0 66.7%、SWE‑Bench Pro 58.6%、SWE‑Bench Verified 80.2%、LiveCodeBench v6 89.6。 ^[29]
• Long-context open-source / open-weights 實驗：DeepSeek V4 值得評估，但一定要睇清 variant。 DeepSeek 表示 V4 Preview 喺 2026 年 4 月 24 日正式 live 並 open-sourced。 ^[42]
• Science reasoning：Claude 喺 GPQA Diamond 報告分數最高，但整體畫面唔係單一 benchmark 可以定。 Claude Opus 4.7 GPQA Diamond 報告 94.2%；Kimi K2.6 GPQA-Diamond 90.5%、AIME 2026 96.4%；DeepSeek V4-Pro / Pro-Max 表格報告 GPQA Diamond 90.1。 ^{[19][27][29][37]}

睇 benchmark 之前，先記住三件事

1. Benchmark family 好重要。 Terminal‑Bench、SWE‑Bench、BrowseComp、OSWorld、GPQA、HLE 量度嘅能力唔同。Coding benchmark 強，唔代表 web research、long-context retrieval 或 computer-use tasks 都一定最強。 ^[5][17][29]
2. 工具權限同 inference effort 會改結果。 OpenAI system card 指出 GPT‑5.5 Pro 係同一個 underlying model，但使用 parallel test-time compute setting；所以 GPT‑5.5 同 GPT‑5.5 Pro 唔應該當成同一個 inference budget 下嘅直接比較。 ^[3]
3. Public benchmarks 適合做 shortlist，唔適合直接做採購答案。 獨立 benchmark 可能同 self-reported scores 唔一致；真正落地前，應該喺自己 workload 做 internal eval。 ^[12]

四個模型快速定位

Model	公開定位	最強公開訊號	主要 caveat
GPT‑5.5	OpenAI launch material 明顯強調 computer-use、tool-use 同 agentic workflows。 [5]	Terminal‑Bench 2.0 82.7%、OSWorld‑Verified 78.7%、BrowseComp 84.4%；GPT‑5.5 Pro BrowseComp 90.1%。 [5]	Pro 分數唔好直接當 regular GPT‑5.5，因為 Pro 係 parallel test-time compute setting。 [3]
Claude Opus 4.7	Anthropic 稱佢係面向 coding 同 AI agents 嘅 hybrid reasoning model，並有 1M context window。 [14]	SWE‑Bench Verified 87.6%、SWE‑Bench Pro 64.3%。 [17]	1M context window 有用，但 window size 唔等於 long-context recall 質素；StationX summary 對極端 1M-token recall 有 caveat。 [17]
Kimi K2.6	Moonshot/Kimi 嘅 open-source / open-weights coding-oriented model。 [29][34]	Terminal‑Bench 2.0 66.7%、SWE‑Bench Pro 58.6%、SWE‑Bench Verified 80.2%、LiveCodeBench v6 89.6。 [29]	Artificial Analysis 指 Kimi K2.6 原生支援 image/video input，max context length 係 256k；實際部署表現仍要睇 serving setup。 [32]
DeepSeek V4-Pro / Pro-Max	DeepSeek V4 Preview 官方文件稱已 live 並 open-sourced；Hugging Face card 將 V4 series 呈現為 MoE language models。 [37][42]	SWE Verified 80.6、SWE Pro 55.4、Terminal Bench 2.0 67.9、GPQA Diamond 90.1。 [37]	DeepSeek V4 名稱底下有 variant 差異；Flash、Pro、Pro-Max style results 要分開讀。 [37][42]

Head-to-head benchmark 對照

Benchmark	GPT‑5.5	Claude Opus 4.7	Kimi K2.6	DeepSeek V4-Pro / Pro-Max	點樣解讀
Terminal‑Bench 2.0	82.7% [5]	69.4% reported [16]	66.7% [29]	67.9% [37]	Command-line 同 autonomous coding 風格任務，GPT‑5.5 lead 最清楚。
SWE‑Bench Pro	58.6% [5]	64.3% [17]	58.6% [29]	55.4% [37]	Hard software-engineering benchmark 入面，Claude Opus 4.7 較前。
SWE‑Bench Verified	今次 source set 未見清晰可比值	87.6% [17]	80.2% [29]	80.6% [37]	Repo issue resolution 類任務，Claude 嘅 reported signal 最強。
OSWorld‑Verified	78.7% [5]	78.0% [17]	73.1% [29]	未見可比值	Computer-use tasks 入面，GPT‑5.5 同 Claude Opus 4.7 好接近。
BrowseComp	84.4%；GPT‑5.5 Pro 90.1% [5]	79.3% [5]	83.2%；Agent Swarm 86.3% [34]	未見可比值	Browser-agent 同 web-research tasks，GPT‑5.5 Pro 同 Kimi Agent Swarm 都有強訊號。
GPQA Diamond	今次 source set 未見清晰官方可比值	94.2% [19]	90.5% [27]	90.1% [37]	Graduate-level science reasoning，Claude reported score 最高。
HLE / hard reasoning	未見直接可比值	HLE no-tools 46.9%、with-tools 54.7% [16]	HLE-Full 34.7%；with-tools 54.0% [29][34]	HLE 37.7% [37]	Tool-augmented HLE 入面，Claude 同 Kimi 接近；DeepSeek listed HLE 較低。
Long context	今次 launch excerpt 未見清晰 public context spec	1M context window [14]	256k max context length [32]	V4 materials 有 long-context positioning [37][42]	Long-context deployment，Claude 同 DeepSeek 定位較清楚；但實際 recall 要另測。

按用途揀：邊個 model 啱你？

1. Terminal-heavy autonomous coding agents：優先試 GPT‑5.5

如果你嘅 workload 包括 terminal actions、browser/tool use、OS-level tasks、多步 agent loop，GPT‑5.5 喺呢組公開資料入面最突出。OpenAI 報告數字包括 Terminal‑Bench 2.0 82.7%、OSWorld‑Verified 78.7%、BrowseComp 84.4%、Toolathlon 55.6%。 ^[5]

GPT‑5.5 Pro 嘅 BrowseComp score 係 90.1%，但唔應該當成 regular GPT‑5.5 嘅同等比較；OpenAI system card 指 Pro 係同一 underlying model 加上 parallel test-time compute setting。 ^[3][5]

最適合： coding agents、browser research agents、computer-use automation、tool-heavy enterprise assistants。

2. Production codebase repair：優先試 Claude Opus 4.7

如果 KPI 係喺真實 repositories 修 bugs、準備 pull requests、令 tests pass、理解大型 codebase，Claude Opus 4.7 係好自然嘅 shortlist。SWE‑Bench Verified 87.6% 同 SWE‑Bench Pro 64.3% 令佢喺 software-engineering benchmarks 入面跑前。 ^[17]

Anthropic 將 Claude Opus 4.7 定位為面向 coding 同 AI agents、具備 1M context window 嘅 hybrid reasoning model，所以大型 codebase workflow 值得優先測。 ^[14]

最適合： repo maintenance、code review、complex refactors、developer copilots、engineering agents。

3. Open-weights coding stack：Kimi K2.6 係強候選

如果團隊需要 self-hosting、更多 hosting control，或者想用 open-weights model 做 coding stack，Kimi K2.6 係呢批模型入面最值得試嘅選項之一。Kimi 官方表格列出 Terminal‑Bench 2.0 66.7%、SWE‑Bench Pro 58.6%、SWE‑Bench Verified 80.2%、SciCode 52.2%、LiveCodeBench v6 89.6。 ^[29]

Kimi K2.6 嘅公開材料亦顯示 agentic/search-style workloads 有不錯訊號，包括 BrowseComp 83.2% 同 Agent Swarm BrowseComp 86.3%。 ^[34] Artificial Analysis 指 model 原生支援 image/video input，並有 256k context length。 ^[32]

最適合： open model deployments、coding agents、research agents、需要較多部署控制權嘅團隊。

4. Long-context open-source 實驗：DeepSeek V4 值得入 shortlist

DeepSeek 表示 DeepSeek V4 Preview 已於 2026 年 4 月 24 日 live 並 open-sourced。 ^[42] DeepSeek-V4-Pro model card 將 V4 series 呈現為 MoE language models。 ^[37]

DeepSeek V4-Pro / Pro-Max 報告 benchmark set 包括 Terminal Bench 2.0 67.9、SWE Verified 80.6、SWE Pro 55.4、GPQA Diamond 90.1。 ^[37] 呢啲數字令佢成為 open-source / open-weights experimentation 同 long-context workloads 嘅 strategic shortlist candidate；但分數一定要配合 exact variant 一齊睇。 ^[37][42]

最適合： long-context applications、open-source / open-weights experiments、想用 deployable alternatives 對比 hosted frontier models 嘅團隊。

5. Science 同 math reasoning：Claude GPQA 領先，但唔好單憑一個榜拍板

可見報告數字入面，Claude Opus 4.7 喺 GPQA Diamond 去到 94.2%。 ^[19] Kimi K2.6 報告 GPQA-Diamond 90.5% 同 AIME 2026 96.4%。 ^[27][29] DeepSeek V4-Pro / Pro-Max 報告 GPQA Diamond 90.1。 ^[37]

所以 science reasoning 方面，Claude 係強 shortlist。但 math/science workload 唔應該只睇單一 benchmark：工具權限、effort mode、prompting、scoring harness 都可能令結果有變。 ^[12]

落地前 evaluation checklist

• 唔好用一個 public benchmark 做決定。 Public 同 self-reported scores 可能同 independent runs 有差異；自己 eval 時要固定同一套 prompts、tool budget、timeout 同 scoring rubric。 ^[12]
• GPT‑5.5 同 GPT‑5.5 Pro 要分開 track。 Pro 用 parallel test-time compute；regular 同 Pro 唔係同一 compute budget。 ^[3]
• 先定義 open-weights 需求。 如果 data control、self-hosting 或 model customization 係 mandatory，就應該將 Kimi K2.6 同 DeepSeek V4 放入獨立 evaluation lane。 ^{[29][34][37][42]}
• Long context 唔好只睇 window size。 Claude Opus 4.7 有 1M context positioning，Kimi K2.6 reported max context 係 256k，DeepSeek V4 materials 亦有 long-context positioning；但真正 recall、instruction following 同成本，要用自己文件測。 ^{[14][17][32][37][42]}
• Coding agents 要 public benchmark 加 internal repo 一齊跑。 SWE‑Bench-style scores 係有用訊號，但 production repos 會遇到 dependency setup、flaky tests、coding style、review constraints 等現實問題。 ^[17]

限制同不確定性

• 今次 source set 未見到一個 complete public comparison，可以將四個 models 放喺同一個 independent lab、同一 harness、同一 tool access、同一 effort setting 下比較；LM Council 亦提醒 independent 同 self-reported benchmark 可能唔一致。 ^[12]
• GPT‑5.5 Pro 唔應該同 GPT‑5.5 混為一談，因為 OpenAI system card 指 Pro 係同一 underlying model 但使用 parallel test-time compute setting。 ^[3]
• DeepSeek V4 分數係 variant-specific；V4 Preview、V4-Pro、Pro-Max style naming 唔應該合併成一個單一 DeepSeek V4 分數。 ^[37][42]
• Kimi K2.6 同 DeepSeek V4 呢類 open-weights deployments，實際表現會受 serving stack、hardware、quantization、context settings 影響；published benchmark 之外，仍然要做自己部署環境下嘅 eval。 ^[29][34][37]

Bottom line

GPT‑5.5：如果你重點係 agentic computer-use、browsing、tool orchestration、terminal-heavy coding，應該入 shortlist。 ^[5]

Claude Opus 4.7：如果產品核心價值係 repo-level bug fixing、codebase repair、SWE‑Bench-style software engineering，應該優先測。 ^[14][17]

Kimi K2.6：如果你需要 open-weights coding model，同時想要強 SWE‑Bench、Terminal‑Bench、agentic search 訊號，值得認真評估。 ^[29][34]

DeepSeek V4-Pro / Pro-Max：如果 long-context open-source / open-weights experimentation 同 deployability 係關鍵限制，應該放入 shortlist；但每次都要核對 exact variant 同 benchmark setup。 ^[37][42]

最穩陣嘅產品決策係：先用 public benchmark table 做 shortlist，再用自己真實 tasks、latency、cost、privacy constraints 同 failure-mode tests 決定最終 model。 ^[12]