GPT-5.5 對上 Claude Opus 4.7：修程式看 Claude，終端代理先測 GPT

換句話說，官方資料能說明兩家公司各自想主打什麼；真正的 GPT-5.5 vs Claude Opus 4.7 逐項分數，仍要回到第三方同表摘要來看。

基準速覽：贏在不同場景

以下核心分數主要來自 Vellum 對 GPT-5.5 的同表摘要；GPQA Diamond 的排序也可在 Vellum leaderboard 中看到。

程式碼修復：Claude Opus 4.7 更值得先測

Claude 最明確的勝項是 SWE-Bench Pro：Claude Opus 4.7 為 64.3%，GPT-5.5 為 58.6%，Claude 領先 5.7 百分點。 如果你的核心任務是修真實 issue、生成補丁、理解跨檔案依賴，或審查複雜 PR，Claude Opus 4.7 應該優先進入第一輪測試。

另一個相關參考是 SWE-bench Verified。BenchLM 將它描述為經人工驗證的 SWE-bench 子集，用來測試模型解決真實 GitHub issue 的能力，並列出 Claude Opus 4.7 Adaptive 的成績為 87.6%。 不過，該頁沒有提供 GPT-5.5 的同口徑分數，所以它不能單獨證明 Claude 在 SWE-bench Verified 上一定勝過 GPT-5.5；比較穩妥的讀法是，Claude Opus 4.7 在真實軟體工程修復任務中屬於非常強的候選模型。

終端機、瀏覽與代理執行：GPT-5.5 勝項更多

GPT-5.5 最大的公開優勢出現在 Terminal-Bench 2.0：82.7% 對 69.4%，領先 Claude Opus 4.7 13.3 百分點。 它也在 BrowseComp、GDPval 和 OSWorld-Verified 上領先，分別為 84.4% 對 79.3%、84.9% 對 80.3%、78.7% 對 78.0%。

因此，如果你的產品高度依賴 shell、瀏覽器、檔案系統、OS 操作或多步驟自動化，GPT-5.5 是很自然的優先候選。例外是，不要把這解讀成所有代理任務都該選 GPT：在 MCP Atlas 上，Claude Opus 4.7 為 79.1%，高於 GPT-5.5 的 75.3%；Anthropic 官方頁也特別強調 Claude Opus 4.7 在工具呼叫和規劃相關場景的提升。

專業任務、推理與數學：不能一題定勝負

專業或商業任務也不是單邊結果。Vellum 的同表摘要顯示，GPT-5.5 在 GDPval 上以 84.9% 對 80.3% 領先 Claude Opus 4.7。 Kingy AI 的整理則顯示，Claude Opus 4.7 在 FinanceAgent v1.1 上以 64.4% 對 60.0% 領先，而 GPT-5.5 在 OfficeQA Pro 上以 54.1% 對 43.6% 領先。

推理與數學同樣要看題型。GPQA Diamond 上，Claude Opus 4.7 為 94.2%，GPT-5.5 為 93.6%，Claude 只領先 0.6 百分點。 但在 FrontierMath T1–3 上，GPT-5.5 為 51.7%，Claude Opus 4.7 為 43.8%，GPT-5.5 領先 7.9 百分點。

Humanity’s Last Exam 更能看出第三方摘要的限制。Kingy AI 給出的無工具項是 GPT-5.5 41.4%、Claude Opus 4.7 46.9%；Mashable 給出的無工具項則是 GPT-5.5 40.6%、Claude Opus 4.7 31.2%。 同一項公開摘要出現明顯不一致時，就不適合把它當成核心選型證據。

怎麼選：按工作流程，不要追總冠軍

如果主要任務是程式碼庫級修復、真實 GitHub issue、複雜 PR 或補丁生成，先測 Claude Opus 4.7；SWE-Bench Pro 與 SWE-bench Verified 都支持它在軟體工程修復場景中很強這個判斷。

如果主要任務是終端機執行、瀏覽檢索、OS 操作、自動化代理，或 GDPval 涵蓋的專業任務，先測 GPT-5.5；它在 Terminal-Bench 2.0、BrowseComp、OSWorld-Verified 和 GDPval 上都有公開同表領先項。

如果你的工作流程混合了程式碼、工具呼叫、長鏈路規劃、文件分析與報告生成，就不要只選一個榜單冠軍。GPT-5.5 在多項執行類基準上占優，Claude Opus 4.7 則在 SWE-Bench Pro、MCP Atlas 和部分官方工具規劃敘述中更突出；兩者都值得放進短名單。

上線前，請做自己的盲測

公開基準的價值，是幫你縮小候選範圍。真正決定上線模型時，建議準備一組真實任務，隱藏模型名稱，並統一提示詞、工具權限、脈絡長度、時間預算和評分標準。如果使用 GPT-5.5，也要固定 reasoning.effort 等推理設定，因為 OpenAI API 文件顯示該模型支援這項控制。

評分時不要只看平均分。至少記錄四類結果：任務是否完成、答案是否可驗、人工修補成本、延遲與呼叫成本。對生產系統來說，模型能否在關鍵任務上穩定少犯錯，往往比在不相關榜單上多贏幾個百分點更重要。依目前公開基準來看，GPT-5.5 與 Claude Opus 4.7 沒有絕對贏家，只有更適合某一類工作流程的選擇。