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

如果只問誰最強，答案反而不精準。這四款模型的公開資料來自不同來源、不同評測、不同推理模式，交集並不完整。比較合理的讀法是：GPT-5.5 在 ARC 與終端機風格的代理任務特別亮眼，Claude Opus 4.7 在 HLE 與 SWE-Bench Pro 更佔優，Kimi K2.6 是有競爭力的 coding／agentic 與開放權重路線，DeepSeek V4 則多半不是 raw score 冠軍，但 API 價格很有吸引力。

先看短版結論

• GPT-5.5：適合先拿來測 ARC、視覺／抽象推理，以及 terminal-style agent 任務。DocsBot 顯示 GPT-5.5 在 ARC-AGI-2 得到 85%，高於 Claude Opus 4.7 的 75.8%；VentureBeat 則列出 GPT-5.5 在 Terminal-Bench 2.0 得到 82.7%，高於 Claude 的 69.4% 與 DeepSeek 的 67.9%。
• Claude Opus 4.7：在重推理與 code review 型任務上最值得先試。VentureBeat 顯示 Claude 在 Humanity’s Last Exam，簡稱 HLE，不使用工具與使用工具兩種設定都高於 GPT-5.5 與 DeepSeek；DataCamp 也列出 Claude 在 SWE-Bench Pro 得到 64.3%，高於 GPT-5.5 的 58.6% 與 DeepSeek V4 Pro 的 55.4%。
• Kimi K2.6：不能簡單說它輸或贏，因為同場比較較少。Artificial Analysis 中 Kimi K2.6 得到 54，低於 GPT-5.5 medium 的 57，但高於 Claude Opus 4.7 non-reasoning high 的 52；AkitaOnRails 的 coding benchmark 則列出 Kimi K2.6 得到 87。
• DeepSeek V4：更像價格效益選項，而不是這批資料中的最高分模型。Mashable 列出的 API 價格為每 100 萬輸入 token 1.74 美元、每 100 萬輸出 token 3.48 美元；相較之下，GPT-5.5 為 5／30 美元，Claude Opus 4.7 為 5／25 美元。

主要基準測試對照

表中的 — 代表提供的來源片段沒有可直接對照的分數。這點很重要：不同來源可能測的是不同模式、不同版本或不同任務設定。

評測／來源	GPT-5.5	Claude Opus 4.7	Kimi K2.6	DeepSeek V4	怎麼解讀
ARC-AGI-2，DocsBot	85%	75.8%	—	—	GPT-5.5 領先 Claude 9.2 個百分點。
ARC-AGI-1，DocsBot	95%	93.5%	—	—	GPT-5.5 小幅高於 Claude。
Artificial Analysis leaderboard	57，GPT-5.5 medium	52，Claude Opus 4.7 non-reasoning high	54	—	在這個切面，GPT-5.5 高於 Kimi 與指定 Claude 模式；來源片段未列 DeepSeek V4。
Humanity’s Last Exam，無工具，VentureBeat	41.4%	46.9%	—	37.7%	Claude 在列出的基本設定中最高。
Humanity’s Last Exam，有工具，VentureBeat	52.2%；GPT-5.5 Pro 為 57.2%	54.7%	—	48.2%	Claude 高於一般 GPT-5.5，但 GPT-5.5 Pro 這一列高於 Claude。
Terminal-Bench 2.0，VentureBeat	82.7%	69.4%	—	67.9%	這是 GPT-5.5 在本批資料中最明顯的領先項目之一。
SWE-Bench Pro，DataCamp	58.6%	64.3%	—	55.4%，DeepSeek V4 Pro	Claude 高於 GPT-5.5 與 DeepSeek V4 Pro。
SWE-Bench Verified，Verdent	—	87.6%	80.2%	—	在這個 coding 切面，Claude 高於 Kimi。
Coding benchmark，AkitaOnRails	96，GPT-5.5 xHigh／Codex	97	87	78，V4 Flash；69，V4 Pro	Claude 與 GPT-5.5 幾乎並列；Kimi 高於兩個 DeepSeek V4 版本。

為什麼不能直接宣布總冠軍

最大問題不是沒有分數，而是分數不一定能放在同一把尺上。Artificial Analysis 比的是 GPT-5.5 medium、Kimi K2.6 與 Claude Opus 4.7 non-reasoning high；AkitaOnRails 使用 GPT-5.5 xHigh／Codex，並把 DeepSeek V4 Flash 與 DeepSeek V4 Pro 分開列；VentureBeat 又另外列出 GPT-5.5 與 GPT-5.5 Pro。

就算只看 GPT-5.5 與 Claude Opus 4.7，也不是單向輾壓。LLM Stats 指出，在兩家供應商都回報的 10 個 benchmark 中，Opus 4.7 領先 6 項，GPT-5.5 領先 4 項；Claude 的優勢集中在 reasoning-heavy 與 review-grade 測試，GPT-5.5 的優勢則集中在 long-running tool-use 與 shell-driven 任務。

GPT-5.5 強在哪裡

GPT-5.5 最有說服力的亮點是 ARC 與 Terminal-Bench。DocsBot 顯示，GPT-5.5 在 ARC-AGI-2 得到 85%，Claude Opus 4.7 為 75.8%；在 ARC-AGI-1，GPT-5.5 為 95%，Claude Opus 4.7 為 93.5%。

在 Terminal-Bench 2.0，GPT-5.5 得到 82.7%，明顯高於 Claude Opus 4.7 的 69.4% 與 DeepSeek 的 67.9%。 這類測試比較貼近會使用終端機、工具、命令列流程的代理型工作。

Artificial Analysis 也把 GPT-5.5 medium 列在 57，高於 Kimi K2.6 的 54 與 Claude Opus 4.7 non-reasoning high 的 52。 但這不是所有模式的總排名；LLM Stats 也同時顯示 Claude Opus 4.7 在部分推理與軟體工程評測中勝過 GPT-5.5。

Claude Opus 4.7 強在哪裡

Claude Opus 4.7 的強項比較集中在高難度推理、審查型任務與複雜程式碼理解。VentureBeat 列出的 Humanity’s Last Exam 無工具設定中，Claude Opus 4.7 為 46.9%，GPT-5.5 為 41.4%，DeepSeek 為 37.7%；使用工具後，Claude 為 54.7%，GPT-5.5 為 52.2%，DeepSeek 為 48.2%。

在 SWE-Bench Pro，DataCamp 列出 Claude Opus 4.7 得到 64.3%，GPT-5.5 為 58.6%，DeepSeek V4 Pro 為 55.4%。 這也符合 LLM Stats 的整體描述：Claude 在 GPQA、HLE 無工具、HLE 有工具、SWE-Bench Pro、MCP Atlas 與 FinanceAgent v1.1 領先 GPT-5.5。

Kimi K2.6 該怎麼看

Kimi K2.6 不容易被放進同一張完整排行榜，因為它沒有在每個來源中都和 GPT-5.5、Claude Opus 4.7、DeepSeek V4 同場出現。Artificial Analysis 的可見片段中，Kimi K2.6 得到 54，低於 GPT-5.5 medium 的 57，但高於 Claude Opus 4.7 non-reasoning high 的 52。

在 AkitaOnRails 的 coding benchmark，Kimi K2.6 得到 87，低於 Claude Opus 4.7 的 97 與 GPT-5.5 xHigh／Codex 的 96，但高於 DeepSeek V4 Flash 的 78 與 DeepSeek V4 Pro 的 69。 Verdent 另列 SWE-Bench Verified：Kimi K2.6 為 80.2%，Claude Opus 4.7 為 87.6%。

Kimi 的實務差異在於開放權重與自架可能性。Verdent 指出，K2.6 weights 可在 Hugging Face 取得，並可透過 vLLM、SGLang 或 KTransformers 執行；同一來源也提到，在縮小 context 的 INT4 版本下，最低可行配置為 4× H100。 Hugging Face 的 README 還列出 Kimi K2.6 的 agentic 指標，例如 HLE-Full 搭配工具為 54.0、BrowseComp 為 83.2、DeepSearchQA f1-score 為 92.5、Toolathlon 為 50.0、MCPMark 為 55.9；但那張表主要把 Kimi 與 GPT-5.4、Claude Opus 4.6、Gemini 3.1 Pro 比較，不是本文四款模型的完整同場對照。

DeepSeek V4 顯示了什麼

在這批來源中，DeepSeek V4 比較像 value model，而不是最高 benchmark score 的模型。VentureBeat 顯示，DeepSeek 在 HLE 無工具、HLE 有工具與 Terminal-Bench 2.0 都低於 GPT-5.5 與 Claude Opus 4.7。 DataCamp 的 SWE-Bench Pro 也列出 DeepSeek V4 Pro 為 55.4%，低於 GPT-5.5 的 58.6% 與 Claude Opus 4.7 的 64.3%。 AkitaOnRails 的 coding benchmark 中，DeepSeek V4 Flash 為 78，DeepSeek V4 Pro 為 69，低於同表的 Kimi K2.6、GPT-5.5 xHigh／Codex 與 Claude Opus 4.7。

不過，價格會改變產品決策。Mashable 列出 DeepSeek V4 的 API 價格為每 100 萬輸入 token 1.74 美元、每 100 萬輸出 token 3.48 美元；GPT-5.5 為 5／30 美元，Claude Opus 4.7 為 5／25 美元。 這不代表 DeepSeek 是 benchmark 冠軍，但若你的任務是大量草稿、低風險處理、內部評估或需要大量嘗試的流程，它可能是更划算的起點。

不同任務，該先測哪一款？

• ARC、視覺推理、抽象 puzzle：先測 GPT-5.5。DocsBot 的 ARC-AGI-2 與 ARC-AGI-1 對照中，GPT-5.5 都高於 Claude Opus 4.7。
• 高難度推理與 HLE-style 任務：若比較基本模型列，先測 Claude Opus 4.7；但要注意 VentureBeat 的 GPT-5.5 Pro 在 HLE 有工具設定高於 Claude。
• Terminal、shell-driven agents、工具使用流程：先測 GPT-5.5。Terminal-Bench 2.0 是它在這批來源中最亮眼的直接結果之一。
• SWE-Bench Pro、重 code review 的軟體工程：先測 Claude Opus 4.7。DataCamp 與 LLM Stats 都指向 Claude 在 SWE-Bench Pro 的優勢。
• 開放權重、自架、coding／agentic 場景：如果 Hugging Face、vLLM、SGLang 或 KTransformers 的部署路線對你很重要，Kimi K2.6 值得進自家測試集。
• 高流量、成本敏感的實驗：如果每次呼叫的成本比最高分更重要，DeepSeek V4 值得列入第一輪候選。

總結

只看 benchmark，第一梯隊仍是 GPT-5.5 與 Claude Opus 4.7，但兩者強項不同。GPT-5.5 在 ARC 與 Terminal-Bench 的訊號更強；Claude Opus 4.7 在 HLE 與 SWE-Bench Pro 更有優勢。 Kimi K2.6 是強力 coding／agentic 候選，尤其在需要開放權重或自架路線時更值得注意，但它與另外三款模型的完整同場比較較少。 DeepSeek V4 在這批資料中的 raw score 多半不是最高，卻靠低 API 價格成為很有存在感的 price-performance 選項。