GPT-5.5、Claude Opus 4.7、DeepSeek V4 與 Kimi K2.6：公開基準測試能確定什麼？

公開基準測試可以幫你快速縮小模型候選名單，但這四個名字目前不適合直接拼成一張「總分榜」。可引用資料主要來自 OpenAI 的 GPT-5.5 發布頁與系統卡、Anthropic 的 Claude Opus 4.7 API 文件，以及 DeepSeek V4-Pro 模型卡；它們不是同一個第三方機構、同一組版本、同一套評測配置下的完整四方同場測試。

先把版本口徑講清楚

本文以下把 DeepSeek V4 限定為 DeepSeek 模型卡中的 DS-V4-Pro Max，把 Kimi K2.6 限定為 K2.6 Thinking；這兩個名稱是 DeepSeek 表格中可以直接引用的欄位。

這件事很重要：DeepSeek 模型卡裡的 GPT 與 Claude 欄位分別是 GPT-5.4 xHigh 和 Opus-4.6 Max，不是本文要比較的 GPT-5.5 與 Claude Opus 4.7。 因此，不能拿 DeepSeek 那張表直接判斷 DS-V4-Pro Max 相對 GPT-5.5 或 Claude Opus 4.7 的完整勝負。

Anthropic 的 Claude Opus 4.7 公開 API 文件重點放在功能與使用方式，例如

task budgets

最能四方對齊的一項：Terminal-Bench 2.0

在本文可引用資料中，四個目標模型都能找到分數的共同項目是 Terminal-Bench 2.0。按公開表格列出的數字，排序如下：

模型	Terminal-Bench 2.0	來源
GPT-5.5	82.7%	OpenAI 發布頁與 MLQ.ai 摘要
Claude Opus 4.7	69.4%	OpenAI 發布頁
DeepSeek V4-Pro Max	67.9%	DeepSeek V4-Pro 模型卡
Kimi K2.6 Thinking	66.7%	DeepSeek V4-Pro 模型卡

這能支持的結論很窄，但很有用：在 Terminal-Bench 2.0 這個單項上，GPT-5.5 明顯領先，Claude Opus 4.7 排第二，DeepSeek V4-Pro Max 與 Kimi K2.6 Thinking 相當接近。 但這不能自動推出 GPT-5.5 在所有業務場景都領先，也不能取代同一評測框架、同一工具權限、同一上下文長度與同一推理預算下的復測。

GPT-5.5 對 Claude Opus 4.7：看 OpenAI 表內資料

OpenAI 發布頁列出 GPT-5.5 與 Claude Opus 4.7 的多項 benchmark 對比；在該表列出的項目中，GPT-5.5 的分數都高於 Claude Opus 4.7。

比較穩妥的說法是：在 OpenAI 自家列出的這些項目裡，GPT-5.5 強於 Claude Opus 4.7。 OpenAI 的系統卡也把 GPT-5.5 定位為面向複雜真實工作的模型，涵蓋寫程式、線上研究、分析資訊、建立文件與試算表，以及跨工具完成任務等場景。

不過，這仍然是 OpenAI 發布頁中的對比表，不等於獨立第三方對四個目標模型做出的統一測試框架（harness）評測。

DeepSeek V4-Pro Max 對 Kimi K2.6 Thinking：看 DeepSeek 表內資料

DeepSeek V4-Pro 模型卡提供 DS-V4-Pro Max 與 K2.6 Thinking 的多項表內對比。 在這張表裡，DeepSeek V4-Pro Max 在多數列項高於 Kimi K2.6 Thinking，但 Kimi 也有明確領先的項目。

這組資料的合理讀法是：在 DeepSeek 模型卡列出的多數項目上，DS-V4-Pro Max 高於 K2.6 Thinking；但 Kimi K2.6 Thinking 在 GPQA Diamond 與 SWE Pro 上領先。 其中 MMLU-Pro 和 Terminal-Bench 2.0 的差距不大，做產品決策時不宜只看領先方向，也要看任務類型與可接受的誤差空間。

為什麼不能直接排四方總榜

最容易誤讀的做法，是把 OpenAI 表、DeepSeek 表和 Anthropic 功能文件裡的資訊直接合併，再算出一個總冠軍。以目前公開資料來看，這樣做證據不足，主要有三個原因：

1. 版本不一致。 OpenAI 表比較的是 GPT-5.5 與 Claude Opus 4.7；DeepSeek 表中的 GPT 與 Claude 欄位卻是 GPT-5.4 xHigh 與 Opus-4.6 Max。
2. 來源不一致。 現有資料分別來自廠商發布頁、系統卡、API 文件與模型卡，並非同一第三方評測框架下的完整四方復測。
3. 指標不等價。 GDPval、BrowseComp、FrontierMath、CyberGym、MMLU-Pro、GPQA Diamond、SWE Pro 等項目衡量的能力不同；沒有明確權重時，把它們相加成單一總分，反而會掩蓋任務差異。

換句話說，公開 benchmark 適合當第一層篩選，不適合單獨當成採購、架構選型或產品路線的最後依據。

選型時，比排名更重要的是復測方式

如果你要把模型放進產品或內部工作流，建議分三層看：

• 共同 benchmark 層。 目前最清楚的四方交集是 Terminal-Bench 2.0；在這一項上，GPT-5.5 領先。
• 廠商表內比較層。 OpenAI 表支持 GPT-5.5 在列出項目上高於 Claude Opus 4.7；DeepSeek 模型卡支持 DS-V4-Pro Max 在多數列項上高於 K2.6 Thinking。
• 業務復測層。 把你的真實任務拆成 coding、agent、reasoning、retrieval、tool use、latency、cost 等維度，在同一提示詞、同一上下文、同一工具權限和同一評測規則下重跑。

如果產品依賴很長的代理式工作循環，Claude Opus 4.7 的

task budgets

如果產品更接近複雜程式開發、線上研究、文件或試算表生成、跨工具操作，GPT-5.5 系統卡對這些場景的描述更直接相關。 但即使某個模型在公開表上領先，仍然要放進你的程式碼庫、工具鏈、權限邊界與失敗恢復規則裡復測。

目前最穩妥的結論

• Terminal-Bench 2.0 單項： GPT-5.5 第一，Claude Opus 4.7 第二，DeepSeek V4-Pro Max 第三，Kimi K2.6 Thinking 第四。
• OpenAI 表內： GPT-5.5 在列出的項目上高於 Claude Opus 4.7。
• DeepSeek 表內： DS-V4-Pro Max 在多數列項上高於 Kimi K2.6 Thinking，但 Kimi 在 GPQA Diamond 與 SWE Pro 上領先。
• 四方絕對總排名： 證據不足。公開資料尚未提供同一第三方、同一版本、同一評測條件下的完整四方對測。