DeepSeek V4、Kimi K2.6、Claude Opus 4.7、GPT-5.5：誰贏哪些基準測試？

目前資料能說什麼，不能說什麼

OpenAI 將 Terminal-Bench 2.0 描述為測試複雜命令列工作流程的基準，重點包括規劃、反覆迭代與工具協調；GPT-5.5 在此達到 82.7% 。在 SWE-Bench Pro，也就是用真實 GitHub issue 解決能力來評估的基準上，OpenAI 給出的 GPT-5.5 成績是 58.6% 。

DeepSeek 官方文件則指出，DeepSeek API 已支援 V4-Pro 與 V4-Flash，可透過 OpenAI ChatCompletions 介面與 Anthropic 介面使用，模型參數分別是 deepseek-v4-pro 與 deepseek-v4-flash 。這能證明可用性，但不能直接證明它在四方比較中勝出。

Claude Opus 4.7 與 Kimi K2.6 的直接比較要更謹慎：LushBinary 提供 Claude 與 GPT-5.5 的多項對照數字；CodeRouter 則提供 Kimi K2.6 與 DeepSeek V4 的價格、定位與部分能力敘述 。

已有數字怎麼排？先看這張表

下表的「無可比資料」意思是：在本文使用的來源中，沒有足夠可靠、可直接比較的模型—基準測試數字。

Coding：Claude Opus 4.7 的公開對照最有優勢

如果你的首要任務是修 bug、改大型程式庫、解 GitHub issue，引用數據最支持 Claude Opus 4.7。LushBinary 給出 Claude Opus 4.7 在 SWE-Bench Pro 的 64.3%，高於 GPT-5.5；OpenAI 也自行確認 GPT-5.5 在 SWE-Bench Pro 是 58.6% 。在 SWE-Bench Verified 與 CursorBench，Claude Opus 4.7 同樣在這份第三方資料中領先 GPT-5.5 。

Kimi K2.6 仍值得注意，原因不是它有完整官方四方表，而是 CodeRouter 把它放在 SWE-Bench Pro 約與 GPT-5.5 同級的位置，同時列出更低的 token 價格 。對需要大量 agent 嘗試、反覆生成草稿或跑多輪 retry 的團隊來說，這類成本訊號很有參考價值。

至於 DeepSeek V4，本文所用的官方 DeepSeek 資料沒有提供可直接放進 Coding benchmark 表的成績；能確定的是 V4-Pro 與 V4-Flash 已經在 API 中可用 。

終端機代理與工具協調：GPT-5.5 證據最完整

若任務涉及 shell 指令、檔案操作、工具串接與多步驟自動化，GPT-5.5 是目前公開證據最清楚的選項。OpenAI 官方公布 GPT-5.5 在 Terminal-Bench 2.0 達到 82.7%，並稱該基準測試複雜命令列工作流程中的規劃、迭代與工具協調 。LushBinary 則將 Claude Opus 4.7 在同一基準中的成績列為約 72% 。

在知識工作與電腦操作相關指標上，引用的第三方資料也偏向 GPT-5.5：GDPval 為 84.9%，高於 Claude Opus 4.7 的約 78%；OSWorld-Verified 為 78.7%，高於 Claude Opus 4.7 的約 65% 。因此，若工作流接近終端機代理、GUI 操作或多工具編排，GPT-5.5 是較有數據支撐的起跑點。

視覺與文件：Claude Opus 4.7 有最明確的正面訊號

視覺與文件任務目前沒有完整四方表。最明確的訊號來自 Claude Opus 4.7：Latent Space／AINews 引述的 Arena 報告稱，Claude Opus 4.7 在 Vision & Document Arena 排名第 1 。

LLM Stats 另稱 Claude Opus 4.7 可處理長邊最高 2,576 像素、約 3.75MP 的影像；同文也列出 GPT-5.5 支援影像輸入，並給出 MMMU-Pro 81.2%（不用工具）與 83.2%（使用工具）的數字 。這些資料有助於理解 Claude 與 GPT-5.5 的多模態定位，但仍不能取代 DeepSeek V4、Kimi K2.6、Claude Opus 4.7、GPT-5.5 的同場四方測試。

價格與大量任務：Kimi K2.6、DeepSeek V4 Flash 都該進入自測清單

若把預算納入考量，Kimi K2.6 的價格敘事最鮮明。CodeRouter 把 Kimi K2.6 稱為成本／品質勝出者，並列出每 100 萬 tokens $0.60 input、$4.00 output 的價格 。

DeepSeek V4 Flash 則在同一來源中被列為便宜的 workhorse 選項：每 100 萬 tokens $0.14 input、$0.28 output，並標示 1M context 。DeepSeek 官方文件也確認，V4-Pro 與 V4-Flash 已可透過目前 API 介面使用 。

但便宜不等於基準測試第一。對生產環境而言，真正該算的是「每個可接受成果的成本」：包含成功率、重試次數、錯誤嚴重度、人工修補成本與延遲，而不只是 input／output token 單價。

想公平比較四個模型，應該這樣測

公開榜單適合拿來縮小候選清單，但不適合直接決定採購或上線。比較這四個模型時，最好用你自己的程式庫、文件、客服流程或 agent 任務建立一小組內部 eval。不要只看第一輪回答，也要記錄成功率、平均成本、重試次數、執行時間、失敗型態，以及錯誤是否會造成高風險後果。

更重要的是，把資料來源分層：GPT-5.5 在這次比較中有 OpenAI 官方的 Terminal-Bench 2.0 與 SWE-Bench Pro 數字 ；DeepSeek V4 有官方 API 可用性證明 ；Claude Opus 4.7 與 Kimi K2.6 的強力對照，則主要來自第三方資料 。這三種證據不能一視同仁。

總結

這場比較沒有萬用冠軍。Claude Opus 4.7 在引用的 Coding 相關數據中最突出；GPT-5.5 在終端機代理、工具協調與電腦操作 benchmark 上證據最完整；Kimi K2.6 的優勢在成本／品質敘事；DeepSeek V4 則是已可透過 API 使用、但仍需要用自家任務重新量測的候選模型 。