GPT-5.5、Claude Opus 4.7、DeepSeek V4、Kimi K2.6 基準測試比較

四個模型的主要訊號

GPT-5.5 對 Claude Opus 4.7：不是誰碾壓誰，而是題型不同

GPT-5.5 與 Claude Opus 4.7 都是前沿閉源模型，但勝負會隨基準測試而變。以 Mashable 報告的數字看，Claude Opus 4.7 在 SWE-Bench Pro 與 GPQA Diamond 領先；GPT-5.5 則在 Terminal-Bench 2.0、Humanity's Last Exam、BrowseComp、ARC-AGI-1 Verified 領先。

LLM Stats 的歸納則是：在雙方都有回報的 10 項基準中，Claude Opus 4.7 領先 6 項，GPT-5.5 領先 4 項；Opus 4.7 偏強於推理、審查與專業任務，GPT-5.5 偏強於長時間工具使用。

但這裡要特別小心。LLM Stats 也提醒，這些分數多來自各供應商高推理層級的自報結果，形式上可以對照，方法論卻未必完全相同。 甚至像 Humanity's Last Exam 這類項目，不同來源呈現出的領先方向也可能不同。

Kimi K2.6 對 DeepSeek V4 Pro：開放權重要看速度還是上下文

Kimi K2.6 與 DeepSeek V4 Pro 不宜直接拿來和 GPT-5.5、Claude Opus 4.7 做單一總分競賽；更實際的角度，是把它們視為開放權重部署或實驗的候選。

只看這張表，Kimi K2.6 在 Intelligence 與輸出速度上較有利；DeepSeek V4 Pro 的明顯優勢則是 1M context。 The Decoder 也轉述 Moonshot AI 發表值，稱 Kimi K2.6 在 HLE with Tools 為 54.0、SWE-Bench Pro 為 58.6、BrowseComp 為 83.2。

不過，Kimi K2.6 的公開實驗並不是與 GPT-5.5、Claude Opus 4.7 完全同條件對打。Hugging Face 模型卡說明，Kimi K2.6 以 thinking mode、temperature 1.0、top-p 1.0、262,144 token 上下文長度等設定評估，主要比較對象也包括 Claude Opus 4.6、GPT-5.4、Gemini 3.1 Pro。

DeepSeek V4 Pro 則更像是用長上下文與成本換取接近前沿模型能力的方案，而不是純性能冠軍。DataCamp 整理指出，DeepSeek V4 在純能力上沒有超過 GPT-5.5 與 Claude Opus 4.7，但定位是以較低成本提供 near-frontier 性能。

價格比較：API 單價、表格 Price、評測成本不能混著看

看價格時，至少要分清三種數字。

第一是 API token 單價。Mashable 報告 DeepSeek V4 為每 100 萬輸入 token $1.74、每 100 萬輸出 token $3.48；GPT-5.5 為 $5／$30；Claude Opus 4.7 為 $5／$25。

第二是 Artificial Analysis 模型表中的 Price 欄位。該表列出 Kimi K2.6 為 $1.7、DeepSeek V4 Pro 為 $2.2，但這不應直接等同於 Mashable 報告的 API token 單價。

第三是跑完整個基準測試的成本。Artificial Analysis 文章指出，執行 Intelligence Index 的成本為 DeepSeek V4 Pro $1,071、Kimi K2.6 $948、Claude Opus 4.7 $4,811。

所以，說 DeepSeek 便宜、Kimi 便宜或 Claude 昂貴之前，必須先確認自己比較的是 API 單價、基準測試執行成本，還是真實業務中包含輸出長度、重試、工具呼叫與延遲的總成本。

安全性與可靠性是另一條軸線

Claude Opus 4.7 的安全與可靠性訊號值得另外看。Mashable 轉述 Anthropic 說法，稱 Claude Opus 4.7 有 92% honesty rate，且 sycophancy 較少。 Anthropic 自家發布也表示，Claude Opus 4.7 在內部 research-agent benchmark 的 6 個模組總分並列第一，達 0.715；在 General Finance 模組中，分數由 Opus 4.6 的 0.767 提升到 0.813。

但這些並不是 SWE-Bench Pro、GPQA Diamond、BrowseComp 那類能力基準。真正上線時，應把能力、成本、速度、幻覺風險、可稽核性分開評估。

實務建議：比起固定一個模型，路由更像正解

如果是生產環境，硬把所有任務交給同一個模型，通常不是最穩的做法。MindStudio 的程式任務比較指出，GPT-5.5 在相同 coding task 中比 Claude Opus 4.7 少用 72% 輸出 token；但對複雜、推理負荷高的大型程式碼庫，Opus 4.7 的細緻程度可能足以支撐較高成本。

較務實的配置是：標準生成、修改、終端機與工具型任務先試 GPT-5.5；深度審查、專業判斷與高風險推理交給 Claude Opus 4.7；開放權重與低成本實驗測 Kimi K2.6；長上下文、大量文件或低 API 單價需求則測 DeepSeek V4 Pro。

最終判斷

目前公開資料更支持用途分流，而不是宣布單一總冠軍。GPT-5.5 的亮點在綜合能力與經濟價值任務；Claude Opus 4.7 適合推理、審稿與專業判斷；Kimi K2.6 是開放權重路線中速度與價格性能突出的選項；DeepSeek V4 Pro 則以長上下文與 DeepSeek V4 系列較低 API 單價吸引人。

還要注意，Artificial Analysis 內部不同頁面也會因更新時間與推理設定而呈現不同畫面：GPT-5.5 high 模型頁列出 Intelligence 59；另一個模型列表頁則顯示 Claude Opus 4.7 Adaptive Reasoning, Max Effort 以 Intelligence 57 位居第一。 因此，基準測試適合作為篩選起點；最後仍應用自己的真實任務、預算、延遲要求與失敗容忍度，做小規模並行測試。