DeepSeek V4 vs GPT-5.5：benchmark 怎麼看，模型怎麼選

公開資料能確定什麼？

DeepSeek 官方 API 文件中有「DeepSeek-V4 Preview Release」頁面，日期為 2026/04/24 。OpenAI 則在 2026/04/23 發表 GPT-5.5，並於 2026/04/24 更新表示 GPT-5.5 與 GPT-5.5 Pro 已在 API 可用 。兩者幾乎同一時間公開，但文件透明度與可直接用於部署規劃的細節並不相同。

有一點要特別小心：OpenAI API 文件寫 GPT-5.5 的 context window 是 1M tokens ，但 Artificial Analysis 的 GPT-5.5 high 比較頁顯示 922k tokens，而 DeepSeek V4 Pro high 則是 1000k tokens 。這不一定代表誰的數字「錯」，更可能是 model variant、reasoning level、測量口徑不同。因此，不應把不同網站、不同設定下的 context 數字硬湊成單一結論。

哪些 benchmark 比較值得參考？

SWE-bench Verified：對 coding 很有參考價值，但不能一錘定音

o-mega 的整理文章指出，GPT-5.5 在 SWE-bench Verified 達到 88.7%，DeepSeek V4-Pro 為 80.6%，差距為 8.1 個百分點 。如果你的主要用途是 software engineering、修 bug、改 repo、跑 coding agent，這是一個值得重視的訊號。

但單一 SWE-bench 分數不能取代內部評測。coding agent 的結果很容易受到 prompt、reasoning 設定、tool 權限、retry 次數、測試環境、patch format 與 scoring harness 影響。比較務實的讀法是：88.7% vs 80.6% 讓 GPT-5.5 值得優先進入 coding 測試，而不是證明 GPT-5.5 在所有任務都必勝 。

OpenAI system card：範圍廣，但不是與 DeepSeek 的 head-to-head

OpenAI Deployment Safety Hub 指出，GPT-5.5 的 controllability 以 CoT-Control 評測；這套評估包含超過 13,000 個任務，並建立在 GPQA、MMLU-Pro、HLE、BFCL、SWE-Bench Verified 等 benchmark 之上 。這有助於理解 OpenAI 如何測 GPT-5.5，也顯示其評測範圍不只一般問答。

不過，這不是 GPT-5.5 對 DeepSeek V4 Pro 的直接對戰表。因此不能只拿這份 system card 就宣稱 GPT-5.5 在 GPQA、MMLU-Pro 或 SWE-Bench Verified 上必然全面勝過 DeepSeek V4 Pro 。

AA-Omniscience：DeepSeek V4 Pro 知識有進步，但幻覺風險很醒目

Artificial Analysis 表示，DeepSeek V4 Pro Max 在 AA-Omniscience 得分為 -10，比 V3.2 Reasoning 的 -21 進步 11 分；DeepSeek V4 Flash Max 則為 -23 。同一來源也指出，DeepSeek V4 Pro 與 V4 Flash 的 hallucination rate 分別高達 94% 與 96%，意思是當模型不知道答案時，幾乎仍會照樣回答 。

這對高可靠度產品非常關鍵。若你做的是內部知識問答、法務文件分析、財務審核、醫療輔助、compliance，或任何需要來源可追溯的流程，DeepSeek V4 Pro 的 open weights 與長上下文很有吸引力，但必須搭配 retrieval、引用檢查、來源驗證與必要的人工作業覆核 。

該選 GPT-5.5 還是 DeepSeek V4 Pro？

選 GPT-5.5：當你需要清楚的 API production 路線

GPT-5.5 更適合快速進入 production API 評估。OpenAI 文件直接列出 model ID、價格、context、max output、knowledge cutoff 為 2025/12/01，並列明 Functions、Web search、File search、Computer use 等工具 。這些資訊對預估成本、設計系統限制、規劃 agent workflow 都很重要。

若你正在做 coding agent，GPT-5.5 也更適合作為第一個 baseline。第三方 SWE-bench Verified 數字目前對 GPT-5.5 較有利 。但真正上線前，仍應在自己的 repo、測試流程與 tool policy 下重跑。

選 DeepSeek V4 Pro：當 open weights 是硬需求

DeepSeek V4 Pro 適合 open weights 是硬性條件的團隊，或需要在自有架構中做更深入評估與控制的場景。Artificial Analysis 將 DeepSeek V4 Pro 描述為 2026 年 4 月發布的 open weights 模型，支援 text input/output，並有 1m tokens context window 。

代價是 factual reliability 必須嚴格設計。Artificial Analysis 對 DeepSeek V4 Pro 記錄的 AA-Omniscience hallucination rate 為 94%，代表在「不知道」時仍回答的風險很高；需要有證據的問答流程，不應讓模型單獨直接產出最終答案 。

需要影像輸入或正式 tool-use？目前資料偏向 GPT-5.5

Artificial Analysis 的 DeepSeek V4 Pro high 與 GPT-5.5 high 比較頁顯示，GPT-5.5 high 支援 image input，而 DeepSeek V4 Pro high 不支援 。再加上 OpenAI API 文件列出 GPT-5.5 的 Functions、Web search、File search 與 Computer use，若你的工作流需要 multimodal input 或正式 agentic tool-use，現有公開資料比較支持 GPT-5.5 。

真正決定前，應該怎麼 benchmark？

要決定 route traffic、採購 API，或把哪個模型設為預設，不要只把不同網站上的分數貼在一起。更好的做法是把兩個模型放在同一條起跑線：

1. 鎖定完全相同的模型與 reasoning level。 OpenAI 文件列出 GPT-5.5 的 reasoning 設定包括 none、low、medium、high、xhigh ；Artificial Analysis 也把 DeepSeek V4 Pro 與 GPT-5.5 的 low、medium、high comparison 分開呈現 。
2. 使用同一組 prompt、資料與 scoring harness。 不要拿一邊精調過的 prompt，去比另一邊的原始 prompt。
3. 保持 tool policy 一致。 coding agent 的表現可能因為能否跑測試、能 retry 幾次、能否修改多個檔案而差很多。
4. 同時量 accuracy 與營運成本。 除了答對率，也要記錄 format error、輸出穩定性、token 成本、latency、需要人工覆核的比例。
5. 單獨做 hallucination 測試。 這對 DeepSeek V4 Pro/Flash 尤其重要，因為 AA-Omniscience 顯示其 hallucination rate 很高 。
6. 使用產品自己的真實資料。 如果產品主要處理繁體中文文件、中文客服、中文程式註解或跨語言文件，內部 eval 就應該包含這些案例。

最後 verdict

若目標是 API production、coding agent、正式 tool-use，或需要清楚的 max output 與價格，GPT-5.5 是比較穩妥的起點 。若 open weights 是不可妥協的需求，且團隊願意自行建構檢索、引用、驗證與人工覆核機制，DeepSeek V4 Pro 值得測試 。

至於「DeepSeek V4 還是 GPT-5.5 贏 benchmark？」最準確的答案是：目前沒有足夠公開、同條件、獨立的資料可以做全面定論。現有訊號在 SWE-bench Verified 上偏向 GPT-5.5 ，在 API 文件完整度與 tool support 上偏向 GPT-5.5 ；DeepSeek V4 Pro 則以 open weights 與長上下文作為主要亮點 。