studioglobal
熱門探索內容
報告已發布6 個來源

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

目前不能公平排出四模型總冠軍：同表可比的 OpenAI 數據顯示 Claude Opus 4.7 在 SWE Bench Pro 64.3% 高於 GPT 5.5 58.6%，但 GPT 5.5 在 Terminal Bench 2.0 82.7% 高於 Claude 69.4%；Kimi K2.6 與 DeepSeek V4 缺少同等級交叉驗證。[21] Kimi K2.6 可列入開放模型 shortlist：Hugging Face 將其描述為 open source、native multimodal agentic model，第三方文章列出 SWE Bench Pro 58.6%、SWE Bench Verified...

使用 Studio Global AI 搜尋並查證事實探索更多內容
17K0
四個 AI 模型基準測試比較的抽象儀表板插圖
GPT-5.5 vs Claude Opus 4.7 vs Kimi K2.6 vs DeepSeek V4：基準測試比較表與證據等級AI 生成示意圖；本文聚焦可核驗 benchmark 分數與來源等級。
AI 提示詞

Create a landscape editorial hero image for this Studio Global article: GPT-5.5 vs Claude Opus 4.7 vs Kimi K2.6 vs DeepSeek V4：基準測試比較表與證據等級. Article summary: 目前不能公平排出四模型總冠軍：同表可比數據顯示 Claude Opus 4.7 在 SWE Bench Pro 64.3% vs GPT 5.5 58.6% 領先，但 GPT 5.5 在 Terminal Bench 2.0 82.7% vs 69.4% 領先；Kimi K2.6 與 DeepSeek V4 缺少同等級交叉驗證。[21]. Topic tags: ai, llm benchmarks, openai, anthropic, claude. Reference image context from search candidates: Reference image 1: visual subject "OpenAI’s GPT-5.5, Anthropic’s Claude Opus 4.7, and DeepSeek V4 arrived close enough together to look like a clean three-way race. **GPT-5.5 is OpenAI’s bet on execution-heavy profe" source context "GPT-5.5, Claude Opus 4.7, and DeepSeek V4 reveal three different ..." Reference image 2: visual subject "# DeepSeek V4 Pro vs Claude Opus 4.7 vs GPT-5.5: The Frontier in April 2026. DeepSeek V4 Pro undercuts GPT-5.5 by ~9x on outpu

openai.com

想比較 GPT-5.5、Claude Opus 4.7、Kimi K2.6 和 DeepSeek V4，最重要的不是把四個模型硬排成一個榜單，而是先問：哪些分數真的能同口徑比較？

本文把「可直接對照的 benchmark」和「來源可靠度」分開。就可引用來源而言，GPT-5.5 與 Claude Opus 4.7 的比較最乾淨，因為 OpenAI 的 GPT-5.5 評測表同時列出兩者在 SWE-Bench Pro 與 Terminal-Bench 2.0 的分數。[21] Kimi K2.6 目前可引用的是 Hugging Face 模型頁描述與第三方文章列出的 SWE-Bench 數字；DeepSeek V4 則在本文可用來源中缺少足夠可核驗 benchmark，因此不放入數值排名。[32][34]

基準測試比較表

表中的「—」代表本文可用來源沒有可引用數字，不代表模型不能完成該類任務。不同來源、不同 harness、不同測試條件下的分數，不應直接加總成單一總排名。

模型SWE-Bench ProSWE-Bench VerifiedTerminal-Bench 2.0其他可見資料證據等級與解讀
GPT-5.558.6% [21]—82.7% [21]Expert-SWE（Internal）73.1%；OpenAI 註記其他實驗室在此 eval 上看到 memorization evidence。[21]A-：SWE-Bench Pro 與 Terminal-Bench 2.0 來自 OpenAI 同一張比較表，可與 Claude Opus 4.7 直接對照；Expert-SWE 是 internal eval，應保守解讀。[21]
Claude Opus 4.764.3% [21]87.6% [4][6]69.4% [21]CursorBench 70%。[4][6]A-/B：SWE-Bench Pro 與 Terminal-Bench 2.0 可與 GPT-5.5 同表比較；SWE-Bench Verified 與 CursorBench 在本文來源中主要來自第三方整理，其中 Verdent 將前者標示為 Anthropic-conducted、後者標示為 partner eval。[6][21]
Kimi K2.658.6% [34]80.2% [34]—Hugging Face 頁面將 Kimi K2.6 描述為 open-source、native multimodal agentic model。[32]B（有限）：SWE-Bench 分數來自第三方文章；本文來源中沒有看到可與 GPT-5.5、Claude Opus 4.7 同表交叉驗證的官方完整 benchmark。[32][34]
DeepSeek V4————C（資料不足）：本文可用來源沒有可引用 DeepSeek V4 benchmark，因此不做數值排名。

哪些 benchmark 最值得看？

SWE-Bench Pro：Claude Opus 4.7 領先 GPT-5.5

在 OpenAI 的 GPT-5.5 評測表中，Claude Opus 4.7 的 SWE-Bench Pro 分數是 64.3%，高於 GPT-5.5 的 58.6%。[21] 這是本文最可靠的直接比較之一，因為兩個模型出現在同一張 OpenAI 表中。

Kimi K2.6 也被 Kilo AI 的第三方文章列為 SWE-Bench Pro 58.6%，看起來接近 GPT-5.5；但這個數字沒有和 GPT-5.5、Claude Opus 4.7 出現在同一張可引用交叉表中，因此只能視為參考訊號，不能視為嚴格同口徑勝負。[34]

Terminal-Bench 2.0：GPT-5.5 領先 Claude Opus 4.7

同一張 OpenAI 評測表中，GPT-5.5 在 Terminal-Bench 2.0 為 82.7%，Claude Opus 4.7 為 69.4%。[21] 這表示如果你的場景更接近終端操作、命令列工作流或 coding agent 的執行環境，GPT-5.5 值得優先進入測試名單。

不過，本文來源沒有 Kimi K2.6 或 DeepSeek V4 在 Terminal-Bench 2.0 的可引用分數，因此不能把四個模型放在這一欄做完整排名。

SWE-Bench Verified：Claude Opus 4.7 高於 Kimi K2.6，但來源口徑不同

Claude Opus 4.7 的 SWE-Bench Verified 87.6% 出現在第三方 Claude Opus 4.7 評測整理中；Verdent 的整理將這個數字標示為 Anthropic-conducted，並提到 memorization screens applied。[4][6] Kimi K2.6 的 SWE-Bench Verified 80.2% 則來自 Kilo AI 的第三方文章。[34]

這兩個數字都有參考價值，但不像 OpenAI 同表中的 SWE-Bench Pro 與 Terminal-Bench 2.0 那樣適合直接嚴格對比。[21]

Expert-SWE：不適合作為總排名依據

GPT-5.5 在 Expert-SWE（Internal）為 73.1%，但 OpenAI 自己將其標為 internal eval，並註記其他實驗室在此 eval 上看到 memorization evidence。[21] 因此，Expert-SWE 可以作為 OpenAI 內部能力訊號，但不適合拿來當作四模型總排名的核心依據。

產品選型：依任務選模型，而不是只看總分

如果你的產品場景接近 GitHub issue 修復或複雜軟體工程任務，Claude Opus 4.7 值得優先測。 在本文最可直接對照的 SWE-Bench Pro 數據中，Claude Opus 4.7 以 64.3% 高於 GPT-5.5 的 58.6%。[21] Vellum 也將這組比較放在 real GitHub issue resolution 的語境中解讀。[24]

如果你的工作流更接近終端操作型 coding agent，GPT-5.5 值得優先測。 GPT-5.5 在 Terminal-Bench 2.0 的可引用分數是 82.7%，高於 Claude Opus 4.7 的 69.4%。[21] 這不代表 GPT-5.5 在所有 coding 任務都更好，但表示它在這個特定 benchmark 上有明確優勢。

如果你需要開放模型候選，Kimi K2.6 可以進 shortlist。 Hugging Face 頁面將 Kimi K2.6 描述為 open-source、native multimodal agentic model；Kilo AI 第三方文章列出它在 SWE-Bench Pro 58.6%、SWE-Bench Verified 80.2%。[32][34] 但在本文來源中，這些分數沒有與 GPT-5.5、Claude Opus 4.7 出現在同一張官方交叉表，因此最好用自己的任務集再測一次。

如果你正在評估 DeepSeek V4，最安全的做法是等待可引用 benchmark 或自行重測。 本文可用來源沒有 DeepSeek V4 的可核驗分數；把它強行排入榜單，反而會比留白更容易誤導。

為什麼本文不給「總冠軍」

LLM benchmark 比較最容易出錯的地方，是把不同來源、不同測試條件、不同任務類型的數字混在一起。本文採用三層證據來看：

  1. 同表共享 benchmark：例如 GPT-5.5 與 Claude Opus 4.7 在 OpenAI 表中的 SWE-Bench Pro 與 Terminal-Bench 2.0，這是本文最適合直接對照的資料。[21]
  2. 第三方整理的 vendor 或 partner eval：例如 Claude Opus 4.7 的 SWE-Bench Verified 與 CursorBench，仍有參考價值，但要注意來源與測試口徑。[4][6]
  3. 缺少交叉驗證或缺少可引用數字的資料：例如 Kimi K2.6 目前主要依賴第三方文章列出的 SWE-Bench 數字，而 DeepSeek V4 在本文來源中沒有足夠可引用 benchmark。[32][34]

按這個標準，結論很清楚：Claude Opus 4.7 在 SWE-Bench Pro 領先 GPT-5.5，GPT-5.5 在 Terminal-Bench 2.0 領先 Claude Opus 4.7；Kimi K2.6 的 SWE-Bench 數字有競爭力但證據等級較低；DeepSeek V4 目前應列為資料不足。[21][32][34]

真正的模型選型不應停在 benchmark 表格。把這張表當作 shortlist 依據後，下一步應該用你的實際任務集重跑：包含 repo 類型、程式語言、測試環境、工具調用、延遲、成本與失敗恢復方式。這樣得到的結果，才會比「四模型總排名」更接近產品中的真實表現。

Studio Global AI

Search, cite, and publish your own answer

Use this topic as a starting point for a fresh source-backed answer, then compare citations before you share it.

使用 Studio Global AI 搜尋並查證事實

重點整理

  • 目前不能公平排出四模型總冠軍：同表可比的 OpenAI 數據顯示 Claude Opus 4.7 在 SWE Bench Pro 64.3% 高於 GPT 5.5 58.6%，但 GPT 5.5 在 Terminal Bench 2.0 82.7% 高於 Claude 69.4%；Kimi K2.6 與 DeepSeek V4 缺少同等級交叉驗證。[21]
  • Kimi K2.6 可列入開放模型 shortlist：Hugging Face 將其描述為 open source、native multimodal agentic model，第三方文章列出 SWE Bench Pro 58.6%、SWE Bench Verified 80.2%，但不宜和官方同表數字硬比。[32][34]
  • GPT 5.5 的 Expert SWE 73.1% 是 internal eval，且 OpenAI 註記其他實驗室在該 eval 上看到 memorization evidence，因此不適合拿來做總排名核心依據。[21]

大家也會問

「GPT-5.5、Claude Opus 4.7、Kimi K2.6、DeepSeek V4 基準測試比較」的簡短答案是什麼？

目前不能公平排出四模型總冠軍：同表可比的 OpenAI 數據顯示 Claude Opus 4.7 在 SWE Bench Pro 64.3% 高於 GPT 5.5 58.6%，但 GPT 5.5 在 Terminal Bench 2.0 82.7% 高於 Claude 69.4%；Kimi K2.6 與 DeepSeek V4 缺少同等級交叉驗證。[21]

最值得優先驗證的重點是什麼？

目前不能公平排出四模型總冠軍：同表可比的 OpenAI 數據顯示 Claude Opus 4.7 在 SWE Bench Pro 64.3% 高於 GPT 5.5 58.6%，但 GPT 5.5 在 Terminal Bench 2.0 82.7% 高於 Claude 69.4%；Kimi K2.6 與 DeepSeek V4 缺少同等級交叉驗證。[21] Kimi K2.6 可列入開放模型 shortlist：Hugging Face 將其描述為 open source、native multimodal agentic model，第三方文章列出 SWE Bench Pro 58.6%、SWE Bench Verified 80.2%，但不宜和官方同表數字硬比。[32][34]

接下來在實務上該怎麼做？

GPT 5.5 的 Expert SWE 73.1% 是 internal eval，且 OpenAI 註記其他實驗室在該 eval 上看到 memorization evidence，因此不適合拿來做總排名核心依據。[21]

下一步適合探索哪個相關主題？

繼續閱讀「Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6 基準比較：2026 年誰最值得信？」，從另一個角度查看更多引用來源。

開啟相關頁面

我應該拿這個和什麼比較？

將這個答案與「DeepSeek V4 工程解析：1M 上下文、MoE 與 API 遷移重點」交叉比對。

開啟相關頁面

繼續深入研究

Comparativa de benchmarks 2026 entre Claude Opus 4.7, GPT-5.5, DeepSeek V4 y Kimi K2.6

Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6 基準比較：2026 年誰最值得信？

Claude Opus 4.7、GPT-5.5、DeepSeek V4、Kimi K2.6：2026 基準測試與決策結論

DeepSeek V4 工程架构示意图，包含 1M 上下文、MoE 专家路由和 API 服务化元素

DeepSeek V4 工程解析：1M 上下文、MoE 與 API 遷移重點

DeepSeek V4 工程解析：1M 上下文、MoE 與 API 遷移重點

木材市場與需求彈性概念的編輯插圖

Northwest vs. Southeast Timber 彈性題解：為什麼是 larger; larger

Northwest 與 Southeast Timber：替代性越高，為什麼答案是 larger; larger？

抽象 AI 晶片與多個聊天機器人平台競爭的示意圖，象徵 DeepSeek 挑戰 OpenAI、Claude、Gemini 與 Grok

DeepSeek 會擊敗 OpenAI、Claude、Gemini、Grok 嗎？關鍵不是榜單，而是成本與信任

DeepSeek 會擊敗 OpenAI、Claude、Gemini、Grok 嗎？關鍵不是榜單，而是成本與信任

研究對話

你

研究問題

研究 GPT-5.5、Claude Opus 4.7、Kimi K2.6、DeepSeek V4 的基準測試，並為我以比較表形式展示。

Studio Global AI40 個來源

附引用的答案

先給你可用結論：在本次可核實資料裡，GPT-5.5 與 Claude Opus 4.7 的 benchmark 最完整，且在 OpenAI 同一張對照表上，Claude Opus 4.7 在 SWE-Bench Pro 以 64.3% 高於 GPT-5.5 的 58.6%，但 GPT-5.5 在 Terminal-Bench 2.0 以 82.7% 高於 Claude Opus 4.7 的 69.4%。[14] Kimi K2.6 目前只看到第三方摘要數值，DeepSeek V4 則缺乏足夠可核實 benchmark，因此我把「分數」與「證據等級」一起標在表裡。[4]

Key findings

模型SWE-Bench ProSWE-Bench VerifiedTerminal-Bench 2.0其他可見 benchmark證據等級 / 備註
GPT-5.558.6% [14]—82.7% [14]Expert-SWE（Internal）73.1% [14]OpenAI 官方資料；OpenAI 也註記 Expert-SWE 有 memorization 風險提示，需保守解讀。[14]
Claude Opus 4.764.3% [14]87.6% [10]69.4% [14]CursorBench 70% [10]SWE-Bench Pro / Terminal-Bench 2.0 可與 GPT-5.5 同口徑比較。[14] Verified / CursorBench 來自第三方對 vendor/partner eval 的摘要，不是獨立 leaderboard。[10]
Kimi K2.658.6% [4]80.2% [4]——目前僅見第三方摘要，未在本次證據集中交叉核實到官方完整 benchmark 頁面。[4]
DeepSeek V4Insufficient evidenceInsufficient evidenceInsufficient evidence—本次檢索未取得足夠可核實 benchmark，暫不做數值比較。
  • 如果只看目前可同口徑對照的共享 benchmark，Claude Opus 4.7 在 SWE-Bench Pro 高於 GPT-5.5，而 GPT-5.5 在 Terminal-Bench 2.0 高於 Claude Opus 4.7。[14]
  • GPT-5.5 的 73.1% Expert-SWE 屬於 internal eval，且 OpenAI 自己提醒有 memorization caveat，因此不宜單獨把它當作總體排名依據。[14]
  • Claude Opus 4.7 的 87.6% SWE-Bench Verified 很強，但本次可用資料中，這個數值來自第三方摘要的 vendor/partner-eval 描述，可信度仍低於同張官方對照表裡的共享 benchmark。[10][14]
  • Kimi K2.6 依目前可見摘要，在 SWE-Bench Pro 與 GPT-5.5 同為 58.6%，且 SWE-Bench Verified 為 80.2%，但因缺乏同等級官方交叉驗證，我不建議直接把它與 GPT-5.5、Claude Opus 4.7 做嚴格總排名。[4][14]

Evidence notes

  • OpenAI 的比較表同時列出 GPT-5.5、GPT-5.4、Claude Opus 4.7 與 Gemini 3.1 Pro 在 SWE-Bench Pro 與 Terminal-Bench 2.0 的成績，所以這兩欄是本次最乾淨的 apples-to-apples 子集。[14]
  • Claude Opus 4.7 的 87.6% SWE-Bench Verified 與 70% CursorBench，在本次資料中來自第三方摘要，且摘要本身把它描述為 Anthropic-conducted / partner eval。[10]
  • Kimi K2.6 的數值來自本次檢索到的第三方結果摘要，而不是我已核實的官方 benchmark 表。[4]

Limitations / uncertainty

  • 四個模型沒有在完全一致的 benchmark 集上都公布足夠數字，因此如果你要的是「四家嚴格總排名」，目前證據不足。[14][10][4]
  • 目前可見的多數數據仍帶有廠商自報、合作方摘要或單一來源片段的限制，獨立重跑結果可能不同。[14][10]
  • DeepSeek V4：Insufficient evidence.

Summary

目前最穩妥的比較方式，是只拿共享 benchmark 來看：Claude Opus 4.7 在 SWE-Bench Pro 領先，GPT-5.5 在 Terminal-Bench 2.0 領先。[14] Kimi K2.6 看起來在 SWE-Bench 系列有競爭力，但證據等級較低。[4] DeepSeek V4 目前無法公平放入同一張排名表，因為可核實資料不足。

如果你要，我下一步可以幫你做兩個延伸版本：

  1. 只保留「官方來源」的極保守比較表。
  2. 擴充到 Artificial Analysis、Vals AI 等第三方榜單，做一版「更完整但混合來源」的比較表。

來源

  • [4] Claude Opus 4.7: Full Review, Benchmarks & Features (2026)buildfastwithai.com

    Claude Opus 4.7 Benchmarks: The Full Picture Claude Opus 4.7 leads all publicly available (non-preview) models on five major benchmarks as of April 16, 2026. The one exception is BrowseComp, which I will address in detail below. The headline: SWE-bench Pro...

  • [6] Claude Opus 4.7: What Changed for Coding Agents (April 2026)verdent.ai

    Benchmark Opus 4.6 Opus 4.7 GPT-5.4 Notes --- --- SWE-bench Verified 80.80% 87.60% — Anthropic-conducted; memorization screens applied SWE-bench Pro 53.50% 64.30% 57.70% Multi-language real-world tasks CursorBench 58% 70% — Source: Cursor CEO Michael Truell...

  • [21] Introducing GPT-5.5openai.com

    Evaluations Coding EvalGPT-5.5GPT‑5.4GPT-5.5 ProGPT‑5.4 ProClaude Opus 4.7Gemini 3.1 Pro SWE-Bench Pro (Public) 58.6%57.7%--64.3%54.2% Terminal-Bench 2.0 82.7%75.1%--69.4%68.5% Expert-SWE (Internal)73.1%68.5%---- Labs have noted evidence of memorization⁠(op...

  • [24] Everything You Need to Know About GPT-5.5 - Vellumvellum.ai

    SWE-bench Pro: the coding crown stays with Anthropic Claude Opus 4.7 scores 64.3% versus GPT-5.5's 58.6% — a 5.7-point gap on real GitHub issue resolution. OpenAI's system card includes an asterisk noting "evidence of memorization" from other labs on this e...

  • [32] moonshotai/Kimi-K2.6 - Hugging Facehuggingface.co

    Kimi K2.6 is an open-source, native multimodal agentic model that advances practical capabilities in long-horizon coding, coding-driven design, ... 5 days ago

  • [34] Kimi K2.6 Has Arrived: An Open-Weight Powerhouse for Agentic Workblog.kilo.ai

    It scored an impressive 80.2% on SWE-Bench Verified and 58.6% on SWE-Bench Pro, showcasing its deep understanding of real-world software ... 5 days ago