GPT-5.5、Claude Opus 4.7、Kimi K2.6、DeepSeek V4 跑分比較

主要 benchmark 對照

下表的「—」代表引用資料沒有找到該模型在該項目的分數，並不代表分數是零。GPT-5.5、GPT-5.5 Pro、Claude Opus 4.7 同 DeepSeek-V4-Pro-Max 多數來自同一個共享比較；Kimi K2.6 則來自 Kimi 相關發布與模型卡資料 。

如果你要落手測，應該由邊個開始？

模型逐個睇

GPT-5.5

OpenAI 形容 GPT-5.5 是為複雜任務而設，例如 coding、research 同 data analysis 。在 VentureBeat 的共享比較中，GPT-5.5 於 Terminal-Bench 2.0 得 82.7%，高過 Claude Opus 4.7 的 69.4% 同 DeepSeek-V4-Pro-Max 的 67.9% 。同一表格亦列出 GPT-5.5 在 GPQA Diamond 得 93.6%、SWE-Bench Pro 得 58.6%、BrowseComp 得 84.4% 。

要小心的是，GPT-5.5 Pro 是另一個比較點。同一共享表格中，GPT-5.5 Pro 在 BrowseComp 達 90.1%，Humanity’s Last Exam with tools 達 57.2%；但這些分數不應直接併入基本版 GPT-5.5，尤其當你要比較成本、延遲或模型設定時 。

採購角度上，BenchLM 列出 GPT-5.5 有 1M-token context window；另有價格報告列 GPT-5.5 為每百萬 input tokens $5、每百萬 output tokens $30 。這些價格只宜當作訊號，落 budget 前仍要核對供應商即時價格。

Claude Opus 4.7

Claude Opus 4.7 在這組模型入面，軟件修復相關訊號最突出。LLM Stats 列出它在 SWE-Bench Verified 得 87.6%，共享比較則列出它在 SWE-Bench Pro 得 64.3% 。它亦在共享比較中領先 GPQA Diamond，分數 94.2%；Humanity’s Last Exam without tools 為 46.9%；MCP Atlas 為 79.1% 。

LLM Stats 報告 Claude Opus 4.7 有 1M-token context window，價格為每百萬 token $5/$25 。不過，可比性要打個折扣：Anthropic 說明部分 benchmark 使用內部實作或更新後的 harness parameters，部分分數不能直接同公開 leaderboard 分數比較 。

Kimi K2.6

如果你想要開放權重，Kimi K2.6 是本文引用材料中最清楚的候選。發布報道描述它是開放權重 1T 參數 MoE 模型，有 32B active parameters、384 experts、native multimodality、INT4 quantization 及 256K context 。Hugging Face 模型卡列出它在 SWE-Bench Verified 得 80.2%、SWE-Bench Pro 得 58.6%、Terminal-Bench 2.0 得 66.7%，LiveCodeBench v6 為 89.6 。

同一發布報道亦列出 Kimi K2.6 在 Humanity’s Last Exam with tools 得 54.0，在 BrowseComp 得 83.2 。LLM Stats 列 Kimi K2.6 為 262K context，價格欄為 $0.95/$4.00，並標示 Open Source 。限制是，Kimi 的數字不是同 GPT-5.5、Claude Opus 4.7、DeepSeek-V4-Pro-Max 完全同一張共享表格得來；所以細微分差應視為「值得測試」的提示，而不是板上釘釘的勝負 。

DeepSeek-V4-Pro-Max

DeepSeek-V4-Pro-Max 更像是「性價比候選」，而不是明顯全能冠軍。LLM Stats 列出它的 size 為 1.6T、context 為 1M、SWE-Bench Verified 為 80.6%，成本欄為 $1.74/$3.48 。共享比較中，它在 GPQA Diamond 得 90.1%、Humanity’s Last Exam without tools 得 37.7%、Humanity’s Last Exam with tools 得 48.2%、Terminal-Bench 2.0 得 67.9%、SWE-Bench Pro 得 55.4%、BrowseComp 得 83.4%、MCP Atlas 得 73.6% 。

這些數字令 DeepSeek-V4-Pro-Max 很值得放入成本敏感場景測試。不過，同一共享表格中，多數 benchmark 行仍由 GPT-5.5、GPT-5.5 Pro 或 Claude Opus 4.7 領先；所以若要用它取代 premium model，應先用你自己的任務驗證 。

Context window 同價格：只當採購線索

不同來源未必用同一方法報價，context window 亦未必由同一個供應商頁面提供。以下只應當作採購前的訊號，不是最終報價。

點解排行榜會「各說各話」？

因為每個 benchmark 測的能力唔一樣。GPQA Diamond 同 Humanity’s Last Exam 偏向硬推理；Terminal-Bench 2.0 同 SWE-Bench 系列偏向編程、agentic software work；BrowseComp 在共享比較中則衡量瀏覽式檢索表現 。一個模型可以在某項第一、另一項落後，未必矛盾，只是題型、工具權限同評測 harness 不同。

即使 benchmark 名稱相同，實作都可能有差異。LLM Stats 列 Claude Opus 4.7 在 SWE-Bench Verified 得 87.6%；LMCouncil 在其設定下則列 Claude Opus 4.7 為 83.5% ± 1.7 。Anthropic 亦說明部分結果使用內部實作或更新後 harness parameters，限制了同公開 leaderboard 直接比較的可能 。

因此，一兩個百分點的差距，不應單獨決定 production rollout。公開 benchmark 最適合用來收窄 shortlist；最後決定，應該由你自己的測試集來做。

實測 finalists：一個實用清單

在真正轉用某個模型前，最好用你實際會用的任務，測試頭兩至三個候選。

1. 用真實 prompts、檔案同 repositories。 公開 benchmark 很少完整反映你的 codebase、文件、政策同用戶行為。
2. 工具環境要一致。 Coding-agent 成績會受 terminal access、browsing、retrieval、repository context 或內部 API 影響。
3. 同設定下量度成本同延遲。 Pro mode 或較高 reasoning effort 可能提升質素，但亦可能增加 token 用量同回應時間。
4. 人工檢查失敗個案。 編程任務要看 tests、diffs、可維護性、安全回歸，以及有沒有幻覺式依賴。
5. 至少放入一個低成本挑戰者。 如果你重視開放權重或推理成本，Kimi K2.6 同 DeepSeek-V4-Pro-Max 都值得入測試名單 。

總結

如果你想先挑最高端候選，應該把 GPT-5.5 同 Claude Opus 4.7 放在一起測：GPT-5.5 有本文引用中最強的 Terminal-Bench 2.0 成績；Claude Opus 4.7 則在引用的 SWE-Bench Pro 同 SWE-Bench Verified 成績最突出 。如果你需要開放權重，先看 Kimi K2.6 。如果成本是最大限制，就把 DeepSeek-V4-Pro-Max 放入 shortlist，但不要未測就當它可以無縫取代 premium options 。