Claude Opus 4.7 vs GPT-5.5：基準測試顯示沒有單一贏家

程式開發：Claude 較會修 issue，GPT-5.5 較會跑終端機流程

寫程式能力最容易被一句「哪個 coding benchmark 比較高」簡化，但這樣其實會看錯重點。

SWE-bench Pro 偏向真實 GitHub issue 解決能力。在這個項目中，Claude Opus 4.7 為 64.3%，GPT-5.5 為 58.6%，Claude Opus 4.7 領先 。Vellum 也把這個差距解讀為：在真實 GitHub issue 修復類任務上，Anthropic 的 Claude Opus 4.7 仍保有優勢 。

但換到 Terminal-Bench 2.0，結果就倒過來。這個測試衡量的是實際終端機工作流，包括多步驟 CLI 操作、檔案處理、腳本執行與專案檔案探索；GPT-5.5 得到 82.7%，Claude Opus 4.7 則是 69.4% 。如果你的場景是讓模型在終端機裡建立檔案、跑指令、修腳本、串自動化流程，GPT-5.5 值得優先測試。

定性觀察也接近這個結論。Mindstudio 指出，GPT-5.5 在需要精準工具使用與檔案導覽的問題上略強；Claude Opus 4.7 則更擅長跨大型程式碼庫做架構層級推理 。換句話說，如果任務像「理解大型專案、重構、修複雜 bug」，Claude Opus 4.7 可能更合適；如果任務像「一路操作 repo、跑命令、改檔案、看結果」，GPT-5.5 可能更順手。

SWE-bench Verified 則需要保留一點。APIYI 與 LLM Stats 提到 Claude Opus 4.7 的 SWE-bench Verified／SWE-bench 分數為 87.6%，但目前提供的資料不足以確認 GPT-5.5 在完全相同條件下的對應分數 。同一個基準測試名稱，若模型模式、測試 harness、重試策略或工具設定不同，結果就可能不適合直接並排比較 。

Agent 與工具使用：GPT-5.5 覆蓋面強，但不是每一項都贏

如果你的產品重點是 AI Agent，建議不要只看「工具使用」四個字。搜尋 Agent、GUI 電腦操作、MCP 工具呼叫、終端機自動化，測到的能力其實不一樣。

OpenAI 的 GPT-5.5 發表資料列出 OSWorld-Verified 成績：GPT-5.5 為 78.7%，Claude Opus 4.7 為 78.0% 。這個差距很小，但至少在公開數字上，GPT-5.5 在電腦使用類基準測試稍微領先 。

BrowseComp 的差距較大。OpenAI 同一份資料列出 GPT-5.5 為 84.4%，GPT-5.5 Pro 為 90.1%，Claude Opus 4.7 為 79.3% 。如果你的 Agent 主要做的是搜尋、瀏覽、找資料、整合網頁資訊，GPT-5.5 系列應該放在優先候選名單。

但 MCP Atlas 顯示的是另一面：Claude Opus 4.7 為 79.1%，GPT-5.5 為 75.3% 。因此，把「Agent 能力」直接等同於 GPT-5.5 全面勝出會過度簡化。比較安全的做法，是把瀏覽器搜尋、GUI 操作、MCP 型工具呼叫、終端機自動化拆開測試，再看哪個模型在你的實際流程中錯得比較少、恢復得比較快。

推理：科學問題 Claude 稍高，數學難題 GPT-5.5 更強

在科學與專業知識推理方面，GPQA Diamond 是常被拿來看的指標。公開資料中，Claude Opus 4.7 約為 94.2～94.3%，GPT-5.5 為 93.6% 。差距不大，但以提供資料來看，Claude Opus 4.7 略占上風 。

數學則是相反結論。FrontierMath T1-3 中，GPT-5.5 為 51.7%，Claude Opus 4.7 為 43.8%；更難的 FrontierMath T4 中，GPT-5.5 為 35.4%，Claude Opus 4.7 為 22.9% 。如果你的任務需要高難度數學推導、形式化推理、計算檢查，GPT-5.5 應該優先進入測試。

HLE 目前不適合當作決勝指標

Humanity’s Last Exam，簡稱 HLE，是這次比較裡最需要小心的一項。

Mashable 列出的無工具條件成績是：GPT-5.5 40.6%，Claude Opus 4.7 31.2%，看起來 GPT-5.5 領先 。但 o-mega 與 RDWorld 的資料則列出：GPT-5.5 41.4%，Claude Opus 4.7 46.9%，變成 Claude Opus 4.7 領先 。

在使用工具的 HLE 條件下，Mashable 與 RDWorld 都列出 GPT-5.5 52.2%、Claude Opus 4.7 54.7%，Claude Opus 4.7 小幅較高 。不過，因為無工具條件的數字在不同來源差異明顯，HLE 不適合作為這兩個模型的單一決勝項目。

長上下文、價格與排行榜：有參考價值，但不要當結論

兩個模型都屬於超長上下文等級，但不同來源的表述仍有差異。Artificial Analysis 將 GPT-5.5 標為 922k tokens，Claude Opus 4.7 標為 1,000k tokens 。LLM Stats 則描述兩者都以 1M-token context 推出，且輸入價格處於同一級距 。實務上可以先把兩者都視為百萬 token 級模型，但真正部署前，仍要回到你使用的 API、產品層級、推理模式與工具呼叫方式確認限制與成本。

綜合排行榜也只能當作背景。BenchLM 將 Claude Opus 4.7 列為 provisional leaderboard 110 個模型中的第 2 名，verified leaderboard 14 個模型中的第 2 名 。同一來源體系中，GPT-5.5 則被列為 provisional leaderboard 112 個模型中的第 5 名、verified leaderboard 16 個模型中的第 2 名 。這些排名足以說明兩者都在第一梯隊，但不代表你的產品一定會得到同樣排序；實際決策往往更受失敗型態、延遲、成本、工具呼叫穩定性影響。

該先測哪一個？用工作流決定

比較務實的選法不是「押寶某一家」，而是先把你要自動化的工作拆開。

可以優先測 Claude Opus 4.7 的情境包括：

• 任務接近 SWE-bench Pro，也就是大量真實程式 issue 修復、跨檔案 debug、修補既有專案
• 需要理解大型程式碼庫架構，重視重構、code review、命名一致性與設計判斷
• 主要問題接近 GPQA Diamond 這類高難度科學或專業知識問答
• 你的工具鏈接近 MCP Atlas 所測的工具呼叫型態，且這類呼叫可靠度很重要

可以優先測 GPT-5.5 的情境包括：

• 你的 Agent 大量依賴終端機、CLI、自動化腳本與檔案操作
• 你重視 OSWorld-Verified 這類電腦操作能力測試
• 產品核心是 BrowseComp 類型的搜尋、瀏覽、資訊蒐集 Agent
• 你需要更強的 FrontierMath 類高難度數學推理能力

結論：先問任務，不要先問品牌

Claude Opus 4.7 比較像是在複雜程式修補、科學專業問答、部分工具呼叫場景中更值得優先試的模型；公開資料中，它在 SWE-bench Pro、GPQA Diamond、MCP Atlas 表現較強 。

GPT-5.5 則更適合先拿來測終端機自動化、瀏覽搜尋 Agent、電腦使用與高難度數學；它在 Terminal-Bench 2.0、OSWorld-Verified、BrowseComp、FrontierMath 上更有優勢 。

所以，真正的選擇題不是「Claude Opus 4.7 還是 GPT-5.5」，而是「你要它替你完成什麼工作」。如果重點是複雜程式修改與科學問答，先測 Claude Opus 4.7；如果重點是終端機流程、瀏覽搜尋、電腦操作與數學推理，先測 GPT-5.5。最後再用同一組 prompt、同一套工具、同樣預算與重試規則，在自己的工作流裡做 A/B 測試，會比單看排行榜更可靠。