GPT-5.5 與 Claude Opus 4.7 寫程式比較

Claude Opus 4.7 更像「修補程式碼」的首選

Claude Opus 4.7 最值得先試的場景，是面對一個已經存在的程式碼庫：讀失敗測試、推斷原因、做出較小的 patch，最後讓測試綠燈。Anthropic 在自家 coding 頁面標示 Opus 4.7 在 SWE-bench Pro 領先、分數為 64.3%；另有報導也把 GPT-5.5 與 Claude Opus 4.7 在同一指標下整理為 58.6% 對 64.3%。

這也符合 Anthropic 對 Opus 4.7 的定位。Anthropic 的 Claude API release notes 指出，2026 年 4 月 16 日推出的 Claude Opus 4.7，是其用於複雜推理與代理式 coding 的最強 generally available 模型。

功能上，Opus 4.7 也更明顯在支援長時間代理任務。它新增 beta 功能

task budgets

因此，如果你的需求包括以下幾種，Claude Opus 4.7 會是自然的第一候選：

• 在既有 repo 中重現並修 bug
• 分析失敗測試，產生最小必要修改
• 產出可放進 PR 的小型 diff
• 讀懂程式碼脈絡後，穩定地改動既有邏輯

但這不代表「所有寫程式任務都是 Claude 勝出」。SWE-bench 系列本身有不同版本，資料也提醒廠商可能各自凸顯較有利的 benchmark；所以公開分數最好當成篩選候選模型的起點，而不是最終答案。

GPT-5.5 更像「會操作開發環境的代理」

GPT-5.5 的亮點在終端機工作流程。VentureBeat 整理的 Terminal-Bench 2.0 表格顯示，GPT-5.5 得分 82.7，Claude Opus 4.7 為 69.4。

這個差距之所以重要，是因為 Terminal-Bench 2.0 不是單純要求模型寫一段程式碼。該評測描述的是複雜命令列工作流程，需要規劃、反覆嘗試與工具協調。 換句話說，它更接近開發者日常中那種「跑測試 → 看錯誤 → 改命令 → 再跑一次」的代理式工作。

如果你的流程長這樣，GPT-5.5 應該優先進入測試：

• 自動執行 build、test、lint、migration 等命令
• 根據 log 與終端機輸出決定下一步
• 串接多個 CLI 工具來排查問題
• 重點不是一次生成完美程式碼，而是能否操作開發環境

不過，Terminal-Bench 2.0 分數高，不等於所有 bug fix 或 PR 品質都會更好。CLI 工作流能力與最終 patch 品質有重疊，但不是同一件事。

工具使用：目前不是一面倒

如果把範圍放寬到瀏覽、搜尋與工具呼叫，結果其實相當混合。OpenAI 的 GPT-5.5 介紹資料顯示，BrowseComp 中 GPT-5.5 為 84.4%、Claude Opus 4.7 為 79.3%；但 MCP Atlas 中 GPT-5.5 為 75.3%、Claude Opus 4.7 為 79.1%。

所以「哪個模型比較會用工具」這個問題，不能直接等同於「哪個模型比較會寫程式」。你要先拆清楚：是搜尋資料比較多？是操作本機終端機比較多？還是要修改大型程式碼庫並交出可 review 的 PR？

看 benchmark 時，三個常見誤會

第一，不要把整體模型排名當成 coding 排名。例如 BenchLM 的 overall ranking 顯示 GPT-5.4 為 88 分、Claude Opus 4.7 為 86 分；但那不是 GPT-5.5，也不是 coding 專用評測。

第二，不要只用 SWE-bench Pro 一項定勝負。SWE-bench 系列存在多種變體，而且廠商可能選擇強調對自己有利的數字。

第三，不要把終端機 benchmark 當成程式碼品質 benchmark。Terminal-Bench 2.0 更接近命令列規劃、迭代與工具協調能力；模型產出的 patch 是否夠小、夠安全、能否被 reviewer 接受，仍然要另外檢查。

實務團隊怎麼測比較公平？

公開 benchmark 可以幫你縮小候選範圍，但真正決策應該回到自己的 repo。建議用同一批任務做 A/B test：

• 從同一個 branch、同一個 commit 開始
• 給兩個模型相同 issue 描述與重現步驟
• 使用相同測試命令與 timeout
• 給相同工具權限
• 設定相同時間或 token 預算
• 用同一套 code review 標準評分

評估時也不要只看「有沒有答對」，更要看工程團隊真正會在意的指標：

• 第一次嘗試是否通過測試
• 需要多少人工介入或重試
• diff 是否過大、是否改到不該改的地方
• 有沒有引入安全、效能或型別穩定性回歸
• reviewer 是否真的願意合併
• 成本與延遲是否符合團隊使用量

最終建議

一般開發團隊如果目標是修 issue、解 bug、讓測試通過、產出 PR patch，可以先測 Claude Opus 4.7；目前公開的 SWE-bench Pro 訊號對它較有利。

如果目標是操作終端機、讀 log、反覆跑 build 與 test、串接 CLI 工具，則先測 GPT-5.5；Terminal-Bench 2.0 的公開報導顯示 GPT-5.5 分數高於 Claude Opus 4.7。

最保守也最實用的結論是：程式碼修補型任務，先看 Claude Opus 4.7；終端機自動化與代理式開發，先看 GPT-5.5。最後，請用你自己的 repo 決定勝負。