Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6：2026 基準測試怎麼看？

綜合排行榜：BenchLM 上 Claude Opus 4.7 最亮眼

若只看 BenchLM 已公開的三款模型，Claude Opus 4.7 的分數最高。BenchLM 把 Claude Opus 4.7 列為暫定排行榜 110 款模型中的第 2 名，overall score 為 97/100；在 verified leaderboard 中，也列為 14 款模型中的第 2 名 。

GPT-5.5 在 BenchLM 的暫定排行榜中是 112 款模型第 5 名，overall score 89/100；verified leaderboard 則是 16 款模型第 2 名 。Kimi 2.6 的 BenchLM 暫定排行榜成績為 85/100，在 115 款模型中排第 12，且頁面顯示有 27 個公開基準分數 。

但這裡不能直接得出「Claude 全面第一」的結論。各頁面比較的模型數量不同，Claude 是 110 款、GPT-5.5 是 112 款、Kimi 是 115 款；而在目前提供的資料中，也沒有 DeepSeek V4 對等的 BenchLM 分數可一起比較 。所以 BenchLM 更適合當作參考座標，而不是最終判決。

程式與軟體工程：Claude Opus 4.7 的證據最直接

在程式評測中，Claude Opus 4.7 的公開數字最清楚。MindStudio 指出，Claude Opus 4.7 在 SWE-bench Verified 達到 82.4%，約比 Opus 4.6 高 11 分 。同一份資料也列出 Claude Opus 4.7 的 FinanceBench 為 82.7%，並指出 MathVista 提升 9.5 分，顯示其在金融文件分析與視覺數學推理上也有明確進步 。

GPT-5.5 的官方介紹重點則不在 SWE-bench，而是 GDPval、OSWorld-Verified 與 Tau2-bench Telecom 等工作流與代理型評測 。Kimi K2.6 方面，GMI Cloud 資料提到它在 SWE-Bench Pro 表現突出，但提供的片段不足以確認精確分數，也不足以把四款模型放在相同條件下比較 。DeepSeek V4 在這批資料中，較具體的數字集中於推理、科學問答與數學，而不是程式基準 。

知識工作與代理流程：GPT-5.5 的官方指標最完整

如果關注的是「模型能不能完成一連串工作」，GPT-5.5 的公開官方數據相對完整。OpenAI 表示，GPT-5.5 在 GDPval 得分 84.9%；GDPval 測試的是模型在 44 種職業中產出規格明確的知識工作成果的能力 。OpenAI 也列出 GPT-5.5 在 OSWorld-Verified 達到 78.7%，這項評測關注模型能否自行操作真實電腦環境；在測試複雜客服流程的 Tau2-bench Telecom 中，GPT-5.5 在未經 prompt tuning 的情況下達到 98.0% 。

Claude Opus 4.7 也有代理型工作資料。Anthropic 表示，在其內部 research-agent benchmark 中，Claude Opus 4.7 在 6 個模組的整體分數為 0.715，並列最高；在 General Finance 模組中，Opus 4.7 得分 0.813，高於 Opus 4.6 的 0.767 。

不過，GPT-5.5 的 GDPval、OSWorld-Verified、Tau2-bench 與 Anthropic 的內部 research-agent benchmark 不是同一套評分機制 。GPT-5.5 的 84.9% 和 Claude 的 0.715 看起來都很強，但不應把它們當成同一尺度上的分數。

推理與知識：DeepSeek V4-Pro-Max 與 Kimi K2.6 Thinking 可部分對照

DeepSeek V4 的具體公開數字，多出現在 V4-Pro-Max 設定。DataCamp 引述 DeepSeek 內部結果指出，DeepSeek V4-Pro-Max 在 MMLU-Pro 得分 87.5%、GPQA Diamond 90.1%、GSM8K 92.6% 。這些數字可作為觀察 DeepSeek 推理能力的線索，但因為來源明確提到是內部結果，解讀時應和獨立排行榜區分 。

Hugging Face 的 DeepSeek-V4-Pro 資料把 DS-V4-Pro Max 與 Kimi K2.6 Thinking 放在同一張表中，部分知識與推理項目可直接對照 ：

這張表顯示，DeepSeek V4-Pro-Max 在 MMLU-Pro、SimpleQA-Verified、Chinese-SimpleQA、HLE 上高於 Kimi K2.6 Thinking；Kimi K2.6 Thinking 則在 GPQA Diamond 上以很小差距領先 。但同一張表中的其他對照對象是 Opus-4.6 Max、GPT-5.4 xHigh 等，並不是本文討論的 Claude Opus 4.7 與 GPT-5.5，因此不足以推出四款模型的完整總排名 。

成本與延遲：Kimi K2.6 的營運指標值得注意

Vals AI 的資料中，GPT-5.5 顯示為 Accuracy 67.76% ± 1.79、Latency 409.09s、Context Window 1M 。Kimi K2.6 則顯示為 Accuracy 63.94% ± 1.97、Latency 373.57s、Cost/Test $0.21 。如果只比較這兩筆 Vals 記錄，GPT-5.5 的準確率標示值較高，Kimi K2.6 的延遲標示值較低，且有每次測試成本資料 。

Kimi K2.6 對重視開放權重的團隊也有意義。Artificial Analysis 稱 Moonshot 的 Kimi K2.6 是 leading open weights model，並給出 Artificial Analysis Intelligence Index 54、排名第 4 的結果 。但同樣要注意，Artificial Analysis、Vals、BenchLM 是不同評測體系；Kimi 的 54 分、Vals Accuracy 63.94%、BenchLM 85/100 不能合併成一個總分 。

實務選型：先問任務，再看分數

• 如果核心需求是自動修程式、解 GitHub issue、軟體工程代理，Claude Opus 4.7 應該優先列入測試名單。它的 SWE-bench Verified 82.4% 與 BenchLM 97/100 是目前最清楚的公開證據 。
• 如果重點是知識工作產出、操作電腦環境、客服或電信工作流，GPT-5.5 的 GDPval 84.9%、OSWorld-Verified 78.7%、Tau2-bench Telecom 98.0% 是更直接的參考 。
• 如果要比較科學問答、數學、高難度推理，DeepSeek V4-Pro-Max 與 Kimi K2.6 Thinking 在 MMLU-Pro、GPQA Diamond、HLE 等表格中的對照值得看，但要記得其中部分數字來自內部或特定設定 。
• 如果重視開放權重、成本與延遲，Kimi K2.6 的 Artificial Analysis 開放權重評價，以及 Vals 的 $0.21/test、373.57s 延遲資料，是比單純看總分更有用的營運參考 。
• 不建議只靠 MMLU 做決策。Nanonets 指出，2026 年頂尖模型在 MMLU 高分區過度集中，這項測試對頂尖模型的區分度已經偏弱 。

最後判斷

把公開資料放在一起看，Claude Opus 4.7 在程式與 BenchLM 綜合排行榜上的證據最強；GPT-5.5 在知識工作、電腦操作與代理型工作流上有較完整的官方指標；DeepSeek V4-Pro-Max 在推理、科學問答與數學相關數字上值得關注；Kimi K2.6 則在開放權重、成本與延遲指標上較有特色 。

但若要嚴格排出第一名到第四名，目前公開資料仍不夠整齊。最安全的做法，是把這些基準測試當作篩選起點，再用自己的任務重跑一輪：例如程式修復、金融文件分析、瀏覽器或電腦控制、客服流程、長時間代理執行。模型不是只在榜單上工作，而是在你的資料、你的流程、你的成本限制裡工作 。