GPT-5.5、Claude Opus 4.7、DeepSeek V4、Kimi K2.6：邊個 Benchmark 贏？

重點跑分詳表：同場比先最可靠

以下將同場結果同另場 Kimi 結果放埋一齊，但已標明來源。凡係混用不同表、不同 harness、不同模式的行，都要保守閱讀。

表入面 Kimi 的分數有參考價值，但同一個模型如果唔係在同一套測試、同一種工具、同一個上下文限制之下跑，結論就唔應該太重手。換句話講，Kimi 係值得試，但唔好用另一場賽果直接封王 。

GPT-5.5：終端、OS、數學同工具使用最醒目

GPT-5.5 最乾淨的一仗係 Terminal-Bench 2.0：82.7%，對比 Claude Opus 4.7 的 69.4% 同 DeepSeek-V4-Pro-Max 的 67.9%，係這批已引用跑分之中差距最大的一類 。

在 OSWorld-Verified，GPT-5.5 亦領先 Claude Opus 4.7，但差距好細：78.7% 對 78.0% 。FrontierMath Tiers 1–3 的差距就明顯啲，GPT-5.5 51.7%，Claude 43.8% 。

如果任務重點係工具輔助推理或者瀏覽，GPT-5.5 Pro 會令畫面改變。Humanity’s Last Exam 有工具一項，GPT-5.5 Pro 57.2%，高過 Claude Opus 4.7 54.7%、GPT-5.5 52.2% 同 DeepSeek-V4-Pro-Max 48.2% 。BrowseComp 亦係 GPT-5.5 Pro 領先：90.1%，對比 GPT-5.5 84.4%、DeepSeek-V4-Pro-Max 83.4% 同 Claude Opus 4.7 79.3% 。

不過，GPT-5.5 唔係所有 reasoning 類都贏。GPQA Diamond 入面，Claude Opus 4.7 以 94.2% 輕微高過 GPT-5.5 的 93.6% 。另有 GPT-5.5 專屬領域分數，例如 Harvey BigLaw Bench 91.7%、內部 investment-banking benchmark 88.5%、BixBench 80.5%，但該摘錄未列出 Claude Opus 4.7、DeepSeek V4、Kimi K2.6 的同項分數，所以唔能夠當成四方勝利 。

Claude Opus 4.7：無工具推理、軟件工程同文件最強勢

Claude Opus 4.7 在主共用表的無工具 reasoning 表現最好。它在 GPQA Diamond 得 94.2%，在 Humanity’s Last Exam 無工具得 46.9% 。同一張表入面，Claude 亦在 SWE-Bench Pro / SWE Pro 得 64.3%，以及 MCP Atlas / MCPAtlas Public 得 79.1%，都係該行領先 。

Claude 的相對短板，是終端式、agentic computing 任務。Terminal-Bench 2.0 入面，GPT-5.5 以 82.7% 對 Claude 的 69.4%，領先超過 13 分；GPT-5.5 亦在 OSWorld-Verified 同 FrontierMath Tiers 1–3 高過 Claude 。

多模態同文件方面，Claude 有最強的引用訊號。有來源報告 Claude Opus 4.7 在 Vision & Document Arena 排整體第 1，在 Document Arena 比 Opus 4.6 多 4 分，並贏 diagram、homework、OCR 子類別 。不過，同一來源無提供 GPT-5.5、DeepSeek V4、Kimi K2.6 的同場數字，所以這支持 Claude 的文件能力，但唔等於完整四方多模態排名 。

DeepSeek V4：未見單項封王，最大賣點係性價比

DeepSeek 的標籤要睇清楚。主共用表用的是 DeepSeek-V4-Pro-Max；Artificial Analysis 的上下文比較用 DeepSeek V4 Pro。兩個名唔應該自動當成完全同一個配置 。

在主共用表，DeepSeek-V4-Pro-Max 表現有競爭力，但未有任何一行領先。它在 GPQA Diamond 得 90.1%，Humanity’s Last Exam 無工具 37.7%，Humanity’s Last Exam 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 最值得留意的引用賣點係成本，而唔係單項跑分冠軍。VentureBeat 形容 DeepSeek V4 以約 Opus 4.7 同 GPT-5.5 六分之一的成本，提供接近 state-of-the-art 的智能 。這是將它放入 shortlist 的理由，但唔係跳過自己質量測試的理由。

長上下文方面，一個 Artificial Analysis 比較列出 DeepSeek V4 Pro 同 Claude Opus 4.7 都有 1,000k-token context window 。這只支持該比較下的配置相同，不代表每個 DeepSeek 或 Claude 模式都一樣 。

Kimi K2.6：分數有亮點，但直接可比性較弱

Kimi K2.6 最難乾淨排名，因為它無出現在 GPT-5.5、Claude Opus 4.7、DeepSeek-V4-Pro-Max 的主共用表 。一個 Kimi-focused 比較列出 K2.6 在 SWE-Bench Pro 得 58.6%、SWE-Bench Verified 80.2%、Terminal-Bench 2.0 66.7%、Humanity’s Last Exam 有工具 54.0%、LiveCodeBench v6 89.6% 。該來源指 K2.6 數字來自 Moonshot AI 官方 model card，但比較對象主要是 Claude Opus 4.6 同 GPT-5.4，而唔係本文四個精確型號同場 。

另一個 Kimi vs DeepSeek 比較顯示，Kimi K2.6 在 Thinking mode 下 AIME 2026 得 96.4%、APEX Agents 得 27.9%，並在 BrowseComp 得 83.2% 。同一來源列 DeepSeek-V4 Pro 在 BrowseComp 得 83.4%，但 AIME 2026 同 APEX Agents 的 DeepSeek 數字未有可用 。

所以，Kimi K2.6 值得測，特別係 coding、agentic、數學同瀏覽任務；但現有引用材料未足以支持它同 GPT-5.5、Claude Opus 4.7 做一個乾淨的整體排名 。

你應該先試邊個？

• 如果你做 terminal-heavy agents、OS 操作、FrontierMath 類任務，先試 GPT-5.5；它在 Terminal-Bench 2.0、OSWorld-Verified、FrontierMath 的引用結果領先 。
• 如果你重點係工具輔助推理或者瀏覽，先試 GPT-5.5 Pro；它在主共用表領先 Humanity’s Last Exam 有工具同 BrowseComp 。
• 如果你要 GPQA 式科學推理、無工具專家問答、SWE-Bench Pro 式軟件工程、MCP 式工具流程，或者文件量大的多模態工作，先試 Claude Opus 4.7 。
• 如果你最在意成本表現，而且可以自己做質量驗證，先把 DeepSeek V4 放入 shortlist；引用優勢是接近前沿表現但成本約為 Opus 4.7 同 GPT-5.5 的六分之一 。
• 如果你想評估 Kimi K2.6 的 coding、agentic、數學同瀏覽分數，就用同一批 prompts、工具、context limit、latency 目標同評分規則，跟其他模型重新跑一次 。

幾個一定要記住的跑分陷阱

這不是一張宇宙總榜。來源混合了 GPT-5.5、GPT-5.5 Pro、DeepSeek-V4-Pro-Max、DeepSeek V4 Pro、Claude Opus 4.7 同 Kimi K2.6 等不同變體 。有些數字亦是供應商報告；Vellum 指其 GPT-5.5 表內 benchmark values 為 vendor-reported，而 OpenAI 亦註明其 GPT 在 ARC 上的評估以 xhigh reasoning effort 在研究環境進行，部分情況可能跟 production ChatGPT 輸出有少許不同 。

細差距只適合當方向參考。Claude 在 GPQA Diamond 對 GPT-5.5 的優勢只有 0.6 分；GPT-5.5 在 OSWorld-Verified 對 Claude 的優勢只有 0.7 分 。較大差距先更有操作價值，例如 GPT-5.5 在 Terminal-Bench 2.0 對 Claude 領先超過 13 分，在 FrontierMath 對 Claude 領先 7.9 分 。

最實際的結論：GPT-5.5、Claude Opus 4.7、DeepSeek V4、Kimi K2.6 之間，沒有一個所有任務都贏的絕對冠軍。先揀最貼近你真實工作負載的 benchmark，再用你實際會部署的工具、上下文、延遲同成本條件，重跑候選模型。