GPT-5.5 對 Claude Opus 4.7、DeepSeek V4、Kimi K2.6：Benchmark 邊個真係領先？

先講答案：唔係一個模型通殺

GPT-5.5：目前最有根據嘅 all-rounder。 Artificial Analysis 片段顯示，GPT-5.5 xhigh 在 Intelligence Index 得 60 分，GPT-5.5 high 得 59 分，Claude Opus 4.7 得 57 分 。BrowseComp 方面，GPT-5.5 得 84.4%，DeepSeek V4 得 83.4%，Claude Opus 4.7 得 79.3%；GPT-5.5 Pro 則高至 90.1% 。

Claude Opus 4.7：寫 code、知識問答特別有競爭力。 在 SWE-Bench Pro，Claude Opus 4.7 以 64.3% 高過 GPT-5.5 的 58.6% 。在 GPQA Diamond，Claude 94.2% 亦略高於 GPT-5.5 的 93.6% 。不過 Terminal-Bench 2.0 反過來由 GPT-5.5 明顯領先，82.7% 對 Claude 的 69.4% 。

DeepSeek V4：最似性價比挑戰者。 VentureBeat 指 BrowseComp 入面 DeepSeek V4 有 83.4%，只比 GPT-5.5 低 1.0 個百分點，亦高過 Claude Opus 4.7 的 79.3% 。Mashable 同時列出 API 價格：DeepSeek V4 每 100 萬 input tokens 為 US$1.74、每 100 萬 output tokens 為 US$3.48；GPT-5.5 為 US$5／US$30，Claude Opus 4.7 為 US$5／US$25 。

Kimi K2.6：值得留意，但唔應該夾硬排位。 DocsBot 將 Kimi K2.6 形容為 open-source、原生多模態、agentic 模型，使用 1T 參數 MoE 架構、32B activated parameters、256K context 。但提供資料未有足夠直接對齊 GPT-5.5、Claude Opus 4.7 同 DeepSeek V4 的 benchmark 數字，因此唔適合放入同一張「四強排行榜」。

一眼睇晒

點解唔可以當「跑分聯賽榜」？

最大問題係資料來源唔完全一致。DataCamp 在相關 frontier model 比較中提醒，benchmark 數字有時係 vendor-reported，即由供應商自己公布；而且不同測試可能用不同 harness configuration，即測試框架同設定未必一樣 。呢點對 AI benchmark 好關鍵：同一個模型，一改推理強度、工具設定、context 用法，分數可以有明顯變化。

模型版本亦唔完全一樣。Artificial Analysis 提到 GPT-5.5 xhigh、GPT-5.5 high，以及 Claude Opus 4.7 的 Adaptive Reasoning／Max Effort 設定 ；VentureBeat 講 DeepSeek 時則涉及 DeepSeek-V4-Pro-Max 。換言之，呢啲數字更似「不同參賽版本嘅截圖」，而唔係四個模型用同一套規則跑完嘅終局排名。

所以更實際嘅問題唔係「邊個永遠第一」，而係：你要做嘅 workload 係寫 code、查資料、長任務代理、金融分析，定係低成本批量處理？

總體能力：GPT-5.5 暫時最有全局領先證據

在可引用的 Artificial Analysis Intelligence Index 片段中，GPT-5.5 xhigh 以 60 分排第一，GPT-5.5 high 以 59 分排第二，Claude Opus 4.7 Adaptive Reasoning／Max Effort 以 57 分排第三 。

呢個片段支持一個溫和但清楚嘅結論：在該 index 入面，GPT-5.5 領先 Claude Opus 4.7 。但同一組可見資料未提供 DeepSeek V4 同 Kimi K2.6 足夠完整、可直接引用的 index 數字，所以唔應該用呢個片段硬做四模型總排名 。

BrowseComp：DeepSeek V4 追得最貼

BrowseComp 可以粗略理解為同網頁瀏覽、查找資料相關的 benchmark。呢項係目前最清楚見到 GPT-5.5、Claude Opus 4.7 同 DeepSeek V4 三者同場的數字。VentureBeat 列出：GPT-5.5 Pro 90.1%、GPT-5.5 84.4%、DeepSeek V4 83.4%、Claude Opus 4.7 79.3% 。

不過，VentureBeat 亦指出，DeepSeek-V4-Pro-Max 雖然接近頂尖，但在可直接比較的 benchmark 上，未算整體推翻 GPT-5.5 或 Claude Opus 4.7 。所以 BrowseComp 的合理解讀係：DeepSeek V4 在網頁研究類任務非常有競爭力，但單靠一個強項未足以判定總冠軍 。

Coding：Claude 贏 SWE，GPT 贏 Terminal

如果你揀模型係為咗寫 code、修 bug、跑開發工具，就更加唔應該只睇總分。現有數字顯示，Claude Opus 4.7 在 SWE-Bench Pro 領先，但 GPT-5.5 在 Terminal-Bench 2.0 明顯領先 。

簡單講：如果你最在意 real-world software engineering benchmark，Claude Opus 4.7 的證據好強；如果你需要模型處理 terminal、工具執行、電腦操作式任務，GPT-5.5 的數字更突出 。

至於 DeepSeek V4 同 Kimi K2.6，提供資料未有足夠同場、同格式 coding 數字，唔適宜同上表一樣逐項排 。VentureBeat 形容 DeepSeek V4 在多個可比較 benchmark 上接近頂尖，但其可見片段最清楚的直接數字仍是 BrowseComp 。Kimi K2.6 方面，DocsBot 提供較多是架構同能力描述，而非完整對齊三個對手的 benchmark 表 。

推理、知識同專業任務：領先者會按題型轉

在高難度知識同推理測試，GPT-5.5 同 Claude Opus 4.7 好接近，甚至會因為有冇工具而調轉勝負。GPQA Diamond 方面，GPT-5.5 是 93.6%，Claude Opus 4.7 是 94.2% 。Humanity’s Last Exam 不用工具時，GPT-5.5 以 40.6% 高過 Claude 的 31.2%；但加工具後，Claude 以 54.7% 略高於 GPT-5.5 的 52.2% 。

專業同 agentic benchmark 亦係互有勝負。Vellum 列出 GPT-5.5 在 GDPval 得 84.9%，高過 Claude Opus 4.7 的 80.3%；OSWorld-Verified 是 78.7% 對 78.0%；但 MCP Atlas 則是 Claude 79.1% 高過 GPT-5.5 的 75.3% 。OpenAI 列出的 FinanceAgent v1.1 亦是 Claude Opus 4.7 64.4% 高過 GPT-5.5 60.0% 。

Anthropic 另外引用內部 research-agent benchmark，指 Claude Opus 4.7 在 6 個模組中並列最高 overall score 0.715，並在 General Finance 模組得 0.813，高過 Opus 4.6 的 0.767 。不過呢個係 Anthropic 內部 benchmark，而且未有同時覆蓋四個模型，所以更適合作為 Claude agentic 能力的輔助證據，而唔係獨立四強排名 。

價格同 context：DeepSeek V4 最搶鏡

真正落地用模型，成本往往同 benchmark 一樣重要。token 可以理解為模型處理文字／資料的基本計費單位；context window 則係模型一次過可參考的內容容量。

Mashable 列出 DeepSeek V4 的 API 價格為每 100 萬 input tokens US$1.74、每 100 萬 output tokens US$3.48，context window 為 100 萬 tokens 。同一來源列出 GPT-5.5 為每 100 萬 input tokens US$5、output tokens US$30；Claude Opus 4.7 則為 US$5／US$25，兩者同樣標示 100 萬 tokens context window 。

Kimi K2.6 在呢部分屬於另一種情況。DocsBot 指它有 256K context、1T 參數 MoE 架構、32B activated parameters，並支援多達 300 個 sub-agents、4,000 個 coordinated steps 的 agent swarm 任務編排 。呢啲是重要技術規格，但仍然不能取代直接、同場、同設定的 benchmark 同價格比較 。

如果要揀模型，可以咁諗

底線

今次比較最重要嘅結論係：冇一個模型可以用現有資料證明「全面通殺」。 GPT-5.5 係目前最有證據支持的全能領先者，因為它在 Artificial Analysis 片段排最前，BrowseComp 同多個專業 benchmark 亦表現強 。

Claude Opus 4.7 仍然係頂級模型，尤其在 SWE-Bench Pro、SWE-Bench Verified、GPQA Diamond，以及部分 agentic／金融任務有明確優勢 。DeepSeek V4 最大賣點係性價比：BrowseComp 幾乎追到 GPT-5.5，同時引用 API 價格低好多 。至於 Kimi K2.6，應該視為值得測試的技術選項，而唔係在現有資料下硬排第幾；要公平比較，仍需要更多直接、同設定的 benchmark 同價格數字 。