GPT-5.5、Claude Opus 4.7、Kimi K2.6、DeepSeek V4：基準測試誰領先？

先說結論：這不是一場能用一句「誰最強」收尾的比賽。最接近同場比較的公開表格涵蓋 GPT-5.5、GPT-5.5 Pro、Claude Opus 4.7 與 DeepSeek-V4-Pro-Max；Kimi K2.6 的數據則主要來自 Hugging Face 模型卡與 eval 檔，因此不宜硬當成同一輪測試的直接對戰 。

還有一個容易混淆的地方：DeepSeek 在主要比較表中是 DeepSeek-V4-Pro-Max；但另一筆 SWE-Bench Verified 資料談的是 DeepSeek V4-Pro，不是 Pro-Max 。所以比較時應說「不同 DeepSeek V4 版本在不同來源有不同結果」，而不是把所有 V4 數字混成同一個分數。

先看怎麼選

• **純推理、不能用工具：**優先測 Claude Opus 4.7。它在 GPQA Diamond 與 Humanity’s Last Exam 無工具情境都領先同表模型 。
• **終端機與代理式任務：**GPT-5.5 最突出。Terminal-Bench 2.0 達 82.7%，高於 Claude Opus 4.7 的 69.4% 與 DeepSeek-V4-Pro-Max 的 67.9% 。
• **工具輔助推理與瀏覽：**GPT-5.5 Pro 值得優先看。它在 HLE 搭配工具時為 57.2%，BrowseComp 為 90.1% 。
• **程式開發與可取得權重的實驗：**Kimi K2.6 應獨立評估。Hugging Face 模型卡列出 SWE-Bench Verified 80.2、SWE-Bench Pro 58.6、Terminal-Bench 2.0 66.7 。另有來源指出 K2.6 權重可在 Hugging Face 取得，並可透過 vLLM、SGLang 或 KTransformers 執行 。
• **成本比第一名更重要：**DeepSeek V4 在這組基準測試中不是總冠軍，但 Mashable 與 DataCamp 引述的 API 價格為每 100 萬 input tokens 1.74 美元、每 100 萬 output tokens 3.48 美元；相比之下，GPT-5.5 為 5／30 美元，Claude Opus 4.7 為 5／25 美元 。

公開數據總表

基準測試	GPT-5.5	GPT-5.5 Pro	Claude Opus 4.7	DeepSeek V4	Kimi K2.6	依現有數據領先者
GPQA Diamond	93.6%	未提供	94.2%	DeepSeek-V4-Pro-Max：90.1%	未提供	Claude Opus 4.7
Humanity’s Last Exam，無工具	41.4%	43.1%	46.9%	DeepSeek-V4-Pro-Max：37.7%	未提供	Claude Opus 4.7
Humanity’s Last Exam，搭配工具	52.2%	57.2%	54.7%	DeepSeek-V4-Pro-Max：48.2%	未提供	GPT-5.5 Pro
Terminal-Bench 2.0	82.7%	未提供	69.4%	DeepSeek-V4-Pro-Max：67.9%	66.7	GPT-5.5
SWE-Bench Pro / SWE Pro	58.6%	未提供	64.3%	DeepSeek-V4-Pro-Max：55.4%	58.6	Claude Opus 4.7
BrowseComp	84.4%	90.1%	79.3%	DeepSeek-V4-Pro-Max：83.4%	未提供	GPT-5.5 Pro
MCP Atlas / MCPAtlas Public	75.3%	未提供	79.1%	DeepSeek-V4-Pro-Max：73.6%	未提供	Claude Opus 4.7
SWE-Bench Verified	未提供	未提供	另一比較列出 87.6%	DeepSeek V4-Pro 為 80.6%，不是 Pro-Max	80.2	缺少四者共同比較列

表中的「未提供」是指對應來源沒有列出該數值，不代表模型得分為零。

推理能力：Claude 無工具較強，GPT-5.5 Pro 在工具場景反超

在 GPQA Diamond，Claude Opus 4.7 與 GPT-5.5 的差距很小：94.2% 對 93.6%，DeepSeek-V4-Pro-Max 則為 90.1% 。但在 Humanity’s Last Exam 無工具情境，Claude 的優勢更明顯：46.9%，高於 GPT-5.5 的 41.4%、GPT-5.5 Pro 的 43.1%，以及 DeepSeek-V4-Pro-Max 的 37.7% 。

不過，只要允許使用工具，排序就改變了。HLE 搭配工具時，GPT-5.5 Pro 達 57.2%，Claude Opus 4.7 為 54.7%，GPT-5.5 為 52.2%，DeepSeek-V4-Pro-Max 為 48.2% 。因此較精準的說法是：Claude 在純推理較突出；GPT-5.5 Pro 在工具輔助推理的這條測試線上領先 。

Coding 與代理式任務：GPT-5.5 在 Terminal-Bench 拉開差距

這組數據中，GPT-5.5 最明顯的勝點是 Terminal-Bench 2.0：82.7%，高於 Claude Opus 4.7 的 69.4% 與 DeepSeek-V4-Pro-Max 的 67.9% 。Kimi K2.6 的 Hugging Face 模型卡列出 Terminal-Bench 2.0 為 66.7；LLM Stats 的獨立榜單也列出 Kimi K2.6 為 0.667、Claude Opus 4.7 為 0.694 。這代表 Kimi 在這條線上接近 Claude 與 DeepSeek，但仍明顯低於 GPT-5.5 的主要比較表結果 。

SWE-Bench Pro / SWE Pro 的局面不同：Claude Opus 4.7 以 64.3% 領先，GPT-5.5 為 58.6%，DeepSeek-V4-Pro-Max 為 55.4% 。Kimi K2.6 的 Hugging Face 模型卡也列出 SWE-Bench Pro 58.6，但它不是同一個共同比較表的同場測試，因此只能作為參考，不宜直接判定並列 。

至於 SWE-Bench Verified，更不適合硬排四者名次。Kimi K2.6 有模型卡與 eval 檔列出的 80.2 ；另一篇 DeepSeek V4 介紹則列出 Claude Opus 4.7 為 87.6%、DeepSeek V4-Pro 為 80.6%，但這不是 DeepSeek-V4-Pro-Max，也沒有同時列出 GPT-5.5 的完整對照 。

四個模型各自適合什麼場景？

GPT-5.5 與 GPT-5.5 Pro

GPT-5.5 最亮眼的是 Terminal-Bench 2.0：82.7%，是主要比較表中該列的最佳成績 。GPT-5.5 Pro 並非每一列都有數據，但在有列出的項目中很強：HLE 搭配工具為 57.2%，BrowseComp 為 90.1%，兩者都位居該表第一 。

如果你的任務偏向終端機操作、長步驟代理式流程，GPT-5.5 是第一個該測的候選；若重點是工具使用、瀏覽與外部動作輔助推理，GPT-5.5 Pro 更值得優先驗證 。

Claude Opus 4.7

Claude Opus 4.7 在主要比較表中拿下多個第一：GPQA Diamond 94.2%、HLE 無工具 46.9%、SWE-Bench Pro / SWE Pro 64.3%、MCP Atlas / MCPAtlas Public 79.1% 。它的弱點不是「不強」，而是特定場景被 GPT-5.5 系列超過：Terminal-Bench 2.0 落後 GPT-5.5，HLE 搭配工具與 BrowseComp 則落後 GPT-5.5 Pro 。

若你需要的是不依賴工具的高難度推理，或接近 SWE-Bench Pro 類型的程式開發任務，Claude Opus 4.7 是很合理的首選測試對象 。

Kimi K2.6

Kimi K2.6 不能與其他三者做嚴格同場排名，因為本文引用的 Kimi 數字來自 Hugging Face 模型卡與 eval 檔，而不是 GPT-5.5、Claude Opus 4.7、DeepSeek-V4-Pro-Max 所在的主要比較表 。

但作為 coding 候選，Kimi K2.6 很值得看：模型卡列出 SWE-Bench Verified 80.2、SWE-Bench Pro 58.6、SWE-Bench Multilingual 76.7、Terminal-Bench 2.0 66.7、OSWorld-Verified 73.1 。此外，來源指出 K2.6 權重可在 Hugging Face 取得，並能透過 vLLM、SGLang 或 KTransformers 執行 。對需要自行部署、內部評測或在本地環境做實驗的團隊，這一點比單一榜單名次更有實務價值 。

DeepSeek V4

主要比較表中的 DeepSeek 是 DeepSeek-V4-Pro-Max 。在該表列出的項目中，它沒有拿到第一：GPQA Diamond 90.1%、HLE 無工具 37.7%、HLE 搭配工具 48.2%、Terminal-Bench 2.0 67.9%、SWE-Bench Pro / SWE Pro 55.4%、BrowseComp 83.4%、MCP Atlas / MCPAtlas Public 73.6% 。

DeepSeek V4 在這組資料中的強項不是絕對領先，而是價格。Mashable 與 DataCamp 列出的 API 價格為：DeepSeek V4 每 100 萬 input tokens 1.74 美元、每 100 萬 output tokens 3.48 美元；GPT-5.5 為 5／30 美元，Claude Opus 4.7 為 5／25 美元 。如果你的產品或工作流高度受成本限制，DeepSeek V4 值得放進自己的 eval；但不能因此把它說成這份 benchmark 表的冠軍 。

比較時最該注意的限制

1. **沒有一個共同測試涵蓋所有模型與所有指標。**主要表格涵蓋 GPT-5.5、GPT-5.5 Pro、Claude Opus 4.7 與 DeepSeek-V4-Pro-Max；Kimi K2.6 來自另外的 Hugging Face 資料 。
2. **DeepSeek V4 不是單一數字。**主要表格是 DeepSeek-V4-Pro-Max；SWE-Bench Verified 的另一筆數字則是 DeepSeek V4-Pro 。
3. **GPT-5.5 Pro 並非每列都有資料。**不能把它在 HLE 搭配工具或 BrowseComp 的優勢，自動推到沒有列出 Pro 成績的項目 。
4. **Kimi K2.6 最好用自己的任務再測一次。**Hugging Face 結果很有參考價值，但不是與 GPT-5.5、Claude Opus 4.7、DeepSeek-V4-Pro-Max 同一張比較表的結果 。

總結

若只看主要比較表的共同欄位，Claude Opus 4.7 贏在 GPQA Diamond、HLE 無工具、SWE-Bench Pro 與 MCP Atlas；GPT-5.5 贏在 Terminal-Bench 2.0；GPT-5.5 Pro 贏在 HLE 搭配工具與 BrowseComp 。Kimi K2.6 不是同場比較的一員，但憑 Hugging Face 上的 coding 數據與可取得權重，值得被單獨納入工程評測 。DeepSeek V4 在這些 benchmark 列中不是領先者，卻因較低 API 價格，仍是成本敏感場景中值得測試的選項 。