* Gemini 3.5 Flash、Grok 4.3 同 DeepSeek V4 Pro 嘅 SWE-Bench Pro 分數係來自一個第三方測試 — Google 官方喺佢哋自己嘅模型卡入面俾出嘅分數係唔同㗎，呢度要留意返。

價錢、速度同基本規格大比拼

跑分好重要，但現實世界用起上嚟，性價比 同 實際體驗 先係最關鍵。下面個表幫你睇清佢哋嘅「使用成本」同「硬件」規格：

深度分析：邊個模型係邊瓣嘅「話事人」？

睇完一大堆數字，係時候同你分析下，究竟邊個模型喺唔同領域最耍家：

🏆 Claude Opus 4.8：剛出爐嘅全能王者

啱啱5月28號先出世嘅 Claude Opus 4.8，一出場就氣勢如虹。佢喺 自主編程（SWE-Bench Pro，69.2%）、知識工作（GDPval-AA，1890 Elo）、電腦操作（OSWorld，83.4%）、跨學科推理（Humanity's Last Exam） 同埋 財務分析 呢啲高難度項目都係第一名 。喺一個綜合評分榜上更加係排全場第二，攞到93/100分，實力非同小可 。

🧠 GPT-5.5：推理同終端機編程嘅專家

OpenAI 嘅 GPT-5.5 就喺第二條戰線稱霸。佢最擅長係 終端機編程（Terminal-Bench，78.2–82.7%） 同埋 抽象視覺推理（ARC-AGI-2，85.0%）。喺 博士級科學（GPQA Diamond） 同 數學（FrontierMath） 方面都係領先，個綜合智力指數（AA Intelligence Index）更加攞到60分，係全場最高 。

⚡ Gemini 3.5 Flash：性價比超班嘅速度狂人

Google 嘅 Gemini 3.5 Flash 真係夠晒「Flash」，佢唔係要爭做全科狀元，而係專攻 實際應用同效率。佢嘅 工具使用協調能力（MCP Atlas，83.6%） 係全場最強，而且輸出速度達到 每秒289個token，比其他模型 快成4倍，價錢仲要係最平 。對於需要快、狠、準，又要慳住荷包嘅高流量工作，佢絕對係首選。

💰 DeepSeek V4 Pro：編程比賽嘅隱世高手

DeepSeek V4 Pro 擺明係要嚟「挑機」嘅。佢喺競技編程方面嘅實力令人震驚，Codeforces ELO 高達 3206，LiveCodeBench 有 93.5%，全部都係第一名 。雖然喺一啲複雜嘅自主代理任務上稍為落後，但考慮到佢嘅價錢只係其他模型嘅「零頭」，對於編程高手同開發者嚟講，性價比極高。

🔧 Grok 4.3：穩打穩紮嘅中游分子

xAI 嘅 Grok 4.3 表現中規中矩，喺 AA Index 有53分，GPQA 有90.1%，速度唔錯（159–207 tps），價錢都相當有競爭力。佢喺法律同金融呢啲專業領域嘅跑分特別標青，但喺大部分自主代理測試中都落後於前面幾位大佬 。

📉 Claude Opus 4.7：光榮退場嘅上一代

作為 Claude Opus 4.8 嘅「上手」，Opus 4.7 喺 SWE-bench Verified (87.6%) 仍然好打得，但已經俾自己嘅「接班人」全面超越。科技界就係咁殘酷，不進則退 。

溫馨提示：睇跑分嘅重要陷阱

睇呢啲比較嘅時候，有幾點你一定要記住：

• 數據來源各有不同：呢啲分數嚟自唔同廠商同獨立測試機構，佢哋用嘅測試工具（harness）同方法可以好唔同。所以同一個測試，唔同來源嘅分數可能會有出入（例如，GPT-5.5 嘅 Terminal-Bench 分數，喺 Google 份報告係 78.2%，但 OpenAI 自己就話有 82.7%）。
• 「SWE-Bench Pro」同「SWE-Bench Verified」係兩個唔同嘅試卷：Pro 版難好多，涉及多個文件嘅複雜改動；Verified 版就簡單啲，主要係單一問題修復。Claude 喺 Pro 版帶頭，但喺 Verified 版，大家嘅分數就咬得好緊 。
• 平嘢都有好嘢：DeepSeek、Grok 同 Gemini 3.5 Flash 每個 token 嘅成本，明顯平過 Claude Opus 同 GPT-5.5，對於要處理大量工作或者對速度好敏感嘅任務，佢哋嘅性價比真係高好多。
• 「Flash」級別唔係「Pro」級別：Gemini 3.5 Flash 係一個效率優先嘅「輕量版」模型，唔係直接同其他「全能旗艦」對等比較。但就算係咁，佢喺好多自主代理跑分嘅表現都好好，仲要又快又平。

仲有啲咩係唔清楚嘅？

• 冇一個「一統江湖」嘅公平測試：暫時仲未有一個獨立機構，可以用完全一樣嘅設定，一次過考晒呢六個模型。而家呢幅「全面比較圖」，係由一堆有重疊但又唔完全一樣嘅測驗砌出嚟嘅。
• 二線廠商數據較少：比起「三巨頭」（Anthropic、OpenAI、Google），Grok 4.3 同 DeepSeek V4 Pro 喺自主代理同長上下文跑分方面，公開嘅數據明顯少好多。
• Claude Opus 4.8 太新：佢5月28號先至推出，獨立第三方嘅覆核數據好有限，大部分分數暫時都係靠 Anthropic 自己公布 。

最信得過嘅資料來源

1. 官方廠商頁面：Anthropic (Claude Opus 4.8)、OpenAI (GPT-5.5) 同 Google DeepMind (Gemini 3.5 Flash 模型卡) — 第一手原始數據 。
2. NIST CAISI 評估：美國國家標準暨技術研究院對 DeepSeek V4 Pro 嘅獨立政府評估 。
3. 杜克大學分析：學術機構對 Gemini 3.5 Flash 嘅涵蓋報導 。
4. 第三方整合平台：好似 dev.to 嘅並列測試、BenchLM.ai 同 Artificial Analysis — 呢啲網站方便你做跨模型比較，但權威性就唔及官方數據 。

* Gemini 3.5 Flash、Grok 4.3 同 DeepSeek V4 Pro 嘅 SWE-Bench Pro 分數係來自一個第三方測試 — Google 官方喺佢哋自己嘅模型卡入面俾出嘅分數係唔同㗎，呢度要留意返。

價錢、速度同基本規格大比拼

跑分好重要，但現實世界用起上嚟，性價比 同 實際體驗 先係最關鍵。下面個表幫你睇清佢哋嘅「使用成本」同「硬件」規格：

深度分析：邊個模型係邊瓣嘅「話事人」？

睇完一大堆數字，係時候同你分析下，究竟邊個模型喺唔同領域最耍家：

🏆 Claude Opus 4.8：剛出爐嘅全能王者

啱啱5月28號先出世嘅 Claude Opus 4.8，一出場就氣勢如虹。佢喺 自主編程（SWE-Bench Pro，69.2%）、知識工作（GDPval-AA，1890 Elo）、電腦操作（OSWorld，83.4%）、跨學科推理（Humanity's Last Exam） 同埋 財務分析 呢啲高難度項目都係第一名 。喺一個綜合評分榜上更加係排全場第二，攞到93/100分，實力非同小可 。

🧠 GPT-5.5：推理同終端機編程嘅專家

OpenAI 嘅 GPT-5.5 就喺第二條戰線稱霸。佢最擅長係 終端機編程（Terminal-Bench，78.2–82.7%） 同埋 抽象視覺推理（ARC-AGI-2，85.0%）。喺 博士級科學（GPQA Diamond） 同 數學（FrontierMath） 方面都係領先，個綜合智力指數（AA Intelligence Index）更加攞到60分，係全場最高 。

⚡ Gemini 3.5 Flash：性價比超班嘅速度狂人

Google 嘅 Gemini 3.5 Flash 真係夠晒「Flash」，佢唔係要爭做全科狀元，而係專攻 實際應用同效率。佢嘅 工具使用協調能力（MCP Atlas，83.6%） 係全場最強，而且輸出速度達到 每秒289個token，比其他模型 快成4倍，價錢仲要係最平 。對於需要快、狠、準，又要慳住荷包嘅高流量工作，佢絕對係首選。

💰 DeepSeek V4 Pro：編程比賽嘅隱世高手

DeepSeek V4 Pro 擺明係要嚟「挑機」嘅。佢喺競技編程方面嘅實力令人震驚，Codeforces ELO 高達 3206，LiveCodeBench 有 93.5%，全部都係第一名 。雖然喺一啲複雜嘅自主代理任務上稍為落後，但考慮到佢嘅價錢只係其他模型嘅「零頭」，對於編程高手同開發者嚟講，性價比極高。

🔧 Grok 4.3：穩打穩紮嘅中游分子

xAI 嘅 Grok 4.3 表現中規中矩，喺 AA Index 有53分，GPQA 有90.1%，速度唔錯（159–207 tps），價錢都相當有競爭力。佢喺法律同金融呢啲專業領域嘅跑分特別標青，但喺大部分自主代理測試中都落後於前面幾位大佬 。

📉 Claude Opus 4.7：光榮退場嘅上一代

作為 Claude Opus 4.8 嘅「上手」，Opus 4.7 喺 SWE-bench Verified (87.6%) 仍然好打得，但已經俾自己嘅「接班人」全面超越。科技界就係咁殘酷，不進則退 。

溫馨提示：睇跑分嘅重要陷阱

睇呢啲比較嘅時候，有幾點你一定要記住：

• 數據來源各有不同：呢啲分數嚟自唔同廠商同獨立測試機構，佢哋用嘅測試工具（harness）同方法可以好唔同。所以同一個測試，唔同來源嘅分數可能會有出入（例如，GPT-5.5 嘅 Terminal-Bench 分數，喺 Google 份報告係 78.2%，但 OpenAI 自己就話有 82.7%）。
• 「SWE-Bench Pro」同「SWE-Bench Verified」係兩個唔同嘅試卷：Pro 版難好多，涉及多個文件嘅複雜改動；Verified 版就簡單啲，主要係單一問題修復。Claude 喺 Pro 版帶頭，但喺 Verified 版，大家嘅分數就咬得好緊 。
• 平嘢都有好嘢：DeepSeek、Grok 同 Gemini 3.5 Flash 每個 token 嘅成本，明顯平過 Claude Opus 同 GPT-5.5，對於要處理大量工作或者對速度好敏感嘅任務，佢哋嘅性價比真係高好多。
• 「Flash」級別唔係「Pro」級別：Gemini 3.5 Flash 係一個效率優先嘅「輕量版」模型，唔係直接同其他「全能旗艦」對等比較。但就算係咁，佢喺好多自主代理跑分嘅表現都好好，仲要又快又平。

仲有啲咩係唔清楚嘅？

• 冇一個「一統江湖」嘅公平測試：暫時仲未有一個獨立機構，可以用完全一樣嘅設定，一次過考晒呢六個模型。而家呢幅「全面比較圖」，係由一堆有重疊但又唔完全一樣嘅測驗砌出嚟嘅。
• 二線廠商數據較少：比起「三巨頭」（Anthropic、OpenAI、Google），Grok 4.3 同 DeepSeek V4 Pro 喺自主代理同長上下文跑分方面，公開嘅數據明顯少好多。
• Claude Opus 4.8 太新：佢5月28號先至推出，獨立第三方嘅覆核數據好有限，大部分分數暫時都係靠 Anthropic 自己公布 。

最信得過嘅資料來源

1. 官方廠商頁面：Anthropic (Claude Opus 4.8)、OpenAI (GPT-5.5) 同 Google DeepMind (Gemini 3.5 Flash 模型卡) — 第一手原始數據 。
2. NIST CAISI 評估：美國國家標準暨技術研究院對 DeepSeek V4 Pro 嘅獨立政府評估 。
3. 杜克大學分析：學術機構對 Gemini 3.5 Flash 嘅涵蓋報導 。
4. 第三方整合平台：好似 dev.to 嘅並列測試、BenchLM.ai 同 Artificial Analysis — 呢啲網站方便你做跨模型比較，但權威性就唔及官方數據 。