GPT-5.5、Claude Opus 4.7、DeepSeek V4、Kimi K2.6 基準測試比較

核心基準測試對照

下表中的「—」不是說模型做不到該任務，而是指在本文採用的公開來源中，找不到可直接放在同一列對照的數字。

GPT-5.5：終端機代理編碼的強候選

OpenAI表示，GPT-5.5在Terminal-Bench 2.0取得82.7%，在SWE-Bench Pro取得58.6% 。OpenAI也說明，Terminal-Bench 2.0評估的是需要規劃、反覆操作與工具協調的複雜命令列工作流；SWE-Bench Pro則評估真實GitHub issue的解決能力 。

因此，如果你的產品場景包含沙盒執行、反覆下shell指令、重現CI（持續整合）錯誤、建立與修改檔案，GPT-5.5值得優先試跑。只是它並非所有程式工作都領先：在SWE-Bench Pro上，Claude Opus 4.7的64.3%高於GPT-5.5的58.6% 。

Claude Opus 4.7：程式修復與審查型工作更亮眼

Claude Opus 4.7公開資料列出SWE-Bench Pro 64.3%、SWE-Bench Verified 87.6% 。DataCamp整理稱，Opus 4.7曾在14項基準上評估，涵蓋編碼、推理、工具使用、電腦操作與視覺推理 。

與GPT-5.5的共通比較中，Claude Opus 4.7在GPQA Diamond以94.2%對93.6%略高，也在MCP Atlas以79.1%對75.3%領先 。反過來，Terminal-Bench 2.0與BrowseComp的公開分數則由GPT-5.5領先 。

換句話說，Claude Opus 4.7不宜被簡化成「所有代理工作都贏」，但若任務是修補既有程式、處理真實issue、做程式碼審查與重構，它很適合作為第一批測試模型。

Kimi K2.6：長上下文與多模態有吸引力，但分數條件要看清楚

Kimi K2.6被列出SWE-Bench Pro 58.6%、SWE-Bench Verified 80.2%；另一份指南也列出Terminal-Bench 2.0 66.7%、HLE with tools 54.0% 。不過，該指南說明K2.6數字來自Moonshot AI官方模型卡，且SWE-Bench Pro附有Moonshot in-house harness的說明 。

所以，即使Kimi K2.6的SWE-Bench Pro 58.6%在數字上與GPT-5.5相同，也不應直接斷定兩者在完全相同評測框架下打成平手 。它更清楚的賣點，是支援文字、圖片與影片輸入，並提供256k上下文路由；若你的產品要處理很長的多模態材料，Kimi K2.6值得單獨實測 。

DeepSeek V4：價格有殺傷力，正確性要自己驗

在本文採用的公開來源中，DeepSeek V4缺少可直接填入Terminal-Bench、SWE-Bench Pro、SWE-Bench Verified、GPQA Diamond等共通欄位的數字。相對可引用的是Artificial Analysis的資料：DeepSeek V4 Pro Max在AA-Omniscience得分為-10，較V3.2改善11分；V4 Flash Max為-23 。同一來源也回報，V4 Pro與V4 Flash的幻覺率分別為94%與96%，並解讀為模型在不知道答案時幾乎仍會回答 。

但從架構與成本看，DeepSeek V4仍有評估價值。DataCamp指出DeepSeek V4採Mixture of Experts（MoE，專家混合）架構；Pro模型總參數1.6兆、啟用參數490億，Flash模型總參數2840億、啟用參數130億 。Mashable整理的API價格也顯示，DeepSeek V4低於GPT-5.5與Claude Opus 4.7 。

因此，DeepSeek V4比較適合放在成本敏感的大量處理、可由內部規則或人工抽查驗證的流程，以及開放權重路線評估中。若是正確性要求高的產品，則需要額外的評測、後處理與失敗偵測機制 。

使用場景選擇指南

為什麼不該急著宣布總冠軍？

第一，四個模型並沒有在同一組提示、同一套工具權限、同一推理預算、同一評分器下完成完整獨立對照。GPT-5.5與Claude Opus 4.7的共同比較資料較多；Kimi K2.6混合模型卡與in-house harness數字；DeepSeek V4則在多個共通基準欄位缺資料 。

第二，同名基準測試也可能因執行條件不同而改變分數。一份整理指出，GPT-5.5與Claude Opus 4.7的公開分數可以在形式上比較，但方法論不必然完全一致 。Anthropic也說明其Terminal-Bench 2.0評測使用Terminus-2 harness，並指定資源配置條件 。

第三，基準分數只是產品品質的一部分。真正導入時，還要看錯誤模式、幻覺率、延遲、成本、工具呼叫穩定性、安全政策與日誌可重現性。ExplainX也提醒，排行榜定義、提示與工具政策都可能讓分數變動，不能用公開基準取代自己的評測框架 。

最後判斷

按目前公開證據，較合理的策略是：終端機代理編碼先測GPT-5.5，SWE-Bench類程式修復先測Claude Opus 4.7，長多模態上下文納入Kimi K2.6，成本敏感的大量呼叫再評估DeepSeek V4 。

但若要說四者誰是「總冠軍」，現在仍應保留。公開分數會受到提示、工具權限、推理設定與評測框架影響；對產品團隊而言，最可靠的答案仍是把自己的真實任務做成小型評測集，再按任務、成本與風險一起決定 。