GPT-5.5 vs Claude Opus 4.7 vs DeepSeek V4 vs Kimi K2.6：邊個最值得用？

整體排名：GPT-5.5 佔上風

現有來源入面，最乾淨嘅整體信號來自 Artificial Analysis。佢列 GPT-5.5 xhigh 的 Intelligence Index 為 60、GPT-5.5 high 為 59；Claude Opus 4.7 Adaptive Reasoning Max Effort 則為 57。

Kimi K2.6 喺可見嘅綜合指標片段入面低過呢個 GPT-5.5／Claude 梯隊。OpenRouter 列 Kimi K2.6 為 53.9 Intelligence、47.1 Coding、66.0 Agentic；LLMBase 的 DeepSeek V4 Flash High vs Kimi K2.6 比較亦列 Kimi 為 53.9 Intelligence、47.1 Coding。 同一個 LLMBase 比較列 DeepSeek V4 Flash High 為 44.9 Intelligence、39.8 Coding，但要留意，呢個係 Flash 版本，唔係 DeepSeek V4 Pro 或 Pro-Max。

重點係：整體排名對 GPT-5.5 vs Claude Opus 4.7 有清晰信號，但目前並無一條完整、同場四方 leaderboard，同時列出 GPT-5.5、Claude Opus 4.7、DeepSeek V4 Pro-Max 同 Kimi K2.6。

同場 benchmark：Claude 同 GPT-5.5 各有勝負

VentureBeat 的共享 benchmark 表，係現有資料中較適合用來比較 DeepSeek-V4-Pro-Max、GPT-5.5、部分列出的 GPT-5.5 Pro，以及 Claude Opus 4.7 的來源。

所以，唔係一面倒。Claude Opus 4.7 喺 GPQA Diamond、HLE no-tools、SWE-Bench Pro 同 MCP Atlas 較有說服力；GPT-5.5 基本版則喺 Terminal-Bench 2.0 同 BrowseComp 表現較強，而 GPT-5.5 Pro 喺 VentureBeat 有列出嘅 HLE with tools 同 BrowseComp 最高。

DeepSeek-V4-Pro-Max 喺幾項都算貼近，但喺呢張共享表入面，未有一項贏過 GPT-5.5 或 Claude Opus 4.7 的最佳結果。最接近係 BrowseComp：DeepSeek-V4-Pro-Max 83.4%，GPT-5.5 84.4%，Claude Opus 4.7 79.3%。

Coding：要睇你寫緊咩 code

如果係 repository 層面嘅軟件工程任務，Claude Opus 4.7 喺 VentureBeat 共享表的 SWE-Bench Pro 結果最強：64.3%，高過 GPT-5.5 的 58.6% 同 DeepSeek-V4-Pro-Max 的 55.4%。

不過 DeepSeek V4 Pro 有現有來源入面最完整嘅 coding 指標披露。Together AI 列 DeepSeek V4 Pro 為 93.5% LiveCodeBench、Codeforces 3206、80.6% SWE-Bench Verified、76.2% SWE-Bench Multilingual。 NVIDIA 的 model card 亦按 DeepSeek V4 Flash、V4 Pro 等版本拆出 GPQA Diamond、HLE、LiveCodeBench、Codeforces 等 benchmark，其中 V4-Pro Max 顯示 LiveCodeBench 93.5、Codeforces 3206。

Kimi K2.6 亦有值得留意嘅 coding 證據，但最強嘅 Kimi 相關表格多數係同上一代或較早競爭對手比較。Lorka 列 Kimi K2.6 為 58.6% SWE-Bench Pro、54.0% HLE-Full with tools、90.5% GPQA-Diamond、79.4% MMMU-Pro，表格比較對象包括 GPT-5.4、Claude Opus 4.6、Gemini 3.1 Pro。 Verdent 則列 Kimi K2.6 為 80.2% SWE-Bench Verified、66.7% Terminal-Bench 2.0、54.0% HLE with tools、89.6% LiveCodeBench v6，並提到 Opus 4.7 喺 SWE-Bench Verified 以 87.6% 領先。

實際結論係：Kimi K2.6 值得放入 coding 同 agent workflow 測試名單，但現有證據未足以話佢喺整體上擊敗 GPT-5.5 或 Claude Opus 4.7。

收費：DeepSeek V4 成本優勢最清楚

如果 API 成本係核心考慮，DeepSeek V4 係最有價格說服力嗰個。Mashable 列 DeepSeek V4 為每 100 萬 input tokens $1.74、每 100 萬 output tokens $3.48；GPT-5.5 為 $5／$30，Claude Opus 4.7 為 $5／$25。

但唔好假設所有 endpoint 都有同一個 context limit。Mashable 喺收費比較中列 DeepSeek V4、GPT-5.5、Claude Opus 4.7 都係 1M context window；但 OpenRouter 的 DeepSeek V4 Pro listing 顯示 256K max tokens、66K max output tokens。 真正落 production 前，要核實你實際會 call 嘅 provider、模型版本同 reasoning mode。

逐個模型點用

GPT-5.5：想要最穩陣整體排名，佢係預設選擇

如果你嘅決策主要睇現有整體排名，GPT-5.5 係較安全嘅 default。Artificial Analysis 列 GPT-5.5 xhigh 為 60、GPT-5.5 high 為 59，係提供片段入面 Intelligence Index 的頭兩位。

佢喺 VentureBeat 共享表亦有兩個突出項目：Terminal-Bench 2.0 為 82.7%，基本 GPT-5.5 的 BrowseComp 為 84.4%；而 GPT-5.5 Pro 喺有列出時 BrowseComp 為 90.1%。

Claude Opus 4.7：硬推理同軟件工程多項任務更合拍

Claude Opus 4.7 喺整體排名緊貼 GPT-5.5：Artificial Analysis 將 Claude Opus 4.7 Adaptive Reasoning Max Effort 的 Intelligence Index 列為 57。 喺 VentureBeat 共享表，佢喺 GPQA Diamond、HLE no-tools、SWE-Bench Pro、MCP Atlas 都領先 GPT-5.5 同 DeepSeek-V4-Pro-Max。

Anthropic 自家發布資料亦提到內部 research-agent benchmark：Claude Opus 4.7 喺六個 module 的整體分數並列第一，為 0.715；General Finance 分數為 0.813，高過 Opus 4.6 的 0.767。 不過呢類屬於廠方內部 benchmark，應視為補充背景，而唔係中立 leaderboard 證據。

DeepSeek V4：如果版本配合工作，性價比最突出

DeepSeek V4 最明顯嘅優勢係價錢。Mashable 比較中，佢每 100 萬 input／output tokens 價格係 $1.74／$3.48，明顯低過 GPT-5.5 的 $5／$30 同 Claude Opus 4.7 的 $5／$25。

DeepSeek V4 Pro 亦有強 coding 指標，包括 Together AI 列出嘅 93.5% LiveCodeBench、Codeforces 3206、80.6% SWE-Bench Verified、76.2% SWE-Bench Multilingual。 取捨係：喺 VentureBeat 共享表，DeepSeek-V4-Pro-Max 即使部分項目接近，例如 BrowseComp，都仍然落後於 GPT-5.5 或 Claude Opus 4.7 的最佳結果。

Kimi K2.6：coding／agent 值得試，但四方比較未夠實

Kimi K2.6 最難下定論，因為現有 Kimi-focused benchmark 多數係同 GPT-5.4、Claude Opus 4.6 比，而唔係直接同 GPT-5.5、Claude Opus 4.7 比。 但佢嘅信號唔弱：OpenRouter 列 Kimi K2.6 為 53.9 Intelligence、47.1 Coding、66.0 Agentic；Verdent 則列 80.2% SWE-Bench Verified 同 89.6% LiveCodeBench v6。

所以唔應該理解成 Kimi K2.6「唔掂」。更準確係：直接證據較薄。如果 Kimi 嘅價格、部署路線或者 agentic 行為啱你現有 stack，佢值得做實測；但就現有資料而言，未足以稱佢為對 GPT-5.5 或 Claude Opus 4.7 的整體勝者。

揀之前要留意

• 版本名好重要。 DeepSeek V4 喺來源中有 V4、V4 Flash、V4 Pro、DeepSeek-V4-Pro-Max 等叫法；價格、限制同 benchmark 結果會因版本同 reasoning setting 而變。
• Kimi 比較無咁直接。 現有較強嘅 Kimi K2.6 benchmark 表，經常係同 GPT-5.4、Claude Opus 4.6 比，而唔係 GPT-5.5、Claude Opus 4.7。
• Humanity’s Last Exam no-tools 數字有不一致。 LLM Stats 同 VentureBeat 報 GPT-5.5 41.4%、Claude Opus 4.7 46.9%；但 Mashable 的 GPT vs Claude 片段報 GPT-5.5 40.6%、Opus 4.7 31.2%。
• 內部 benchmark 唔等於獨立 leaderboard。 Anthropic 的 Opus 4.7 發布文章有內部 research-agent 成績，但閱讀時應同跨供應商公開比較分開看。
• 價格同 context limit 會因 provider 而變。 同一模型家族喺唔同 endpoint 可能有唔同 context window、token limit 同 output cap。

底線

如果你最重視現有整體智能排名，揀 GPT-5.5 較有根據。 如果你嘅工作似 GPQA Diamond、HLE no-tools、SWE-Bench Pro、MCP Atlas 呢類硬推理或軟件工程項目，Claude Opus 4.7 更有說服力。 如果你重視 price-performance，而且可以驗證自己要用嘅 V4 版本，DeepSeek V4 嘅 API 價格明顯低過 GPT-5.5 同 Claude Opus 4.7，DeepSeek V4 Pro 亦有強 coding 指標。 至於 Kimi K2.6，應視為有潛力嘅 coding／agentic 候選，但以現有直接證據，未足以稱為整體擊敗 GPT-5.5 或 Claude Opus 4.7。