GPT‑5.5、Claude Opus 4.7、Kimi K2.6、DeepSeek V4：2026 年該按什麼任務選模型？

讀 benchmark 前，先釐清三件事

1. 不同 benchmark 測的是不同能力。 Terminal‑Bench、SWE‑Bench、BrowseComp、OSWorld、GPQA、HLE 各自對應終端機代理、程式碼修復、網頁搜尋、電腦操作、科學推理與高難度推理等不同技能；coding 強不代表瀏覽器代理或長上下文檢索也一定最強。
2. 工具權限與推論 effort 會影響結果。 OpenAI system card 說明，GPT‑5.5 Pro 是同一底層模型搭配 parallel test-time compute 的設定；因此 GPT‑5.5 Pro 的分數不應直接視為一般 GPT‑5.5 在同一推論預算下的結果。
3. 公開分數適合 shortlist，不適合直接下採購決策。 若要導入產品或企業流程，應用相同 prompt、相同工具預算、相同 timeout、相同評分規則，在自己的工作負載上重測。

四個模型快速定位

Head-to-head：公開 benchmark 對照

依使用場景怎麼選？

1. 終端機與工具密集型 agent：優先測 GPT‑5.5

如果你的產品要讓模型操作終端機、瀏覽器、工具 API，或在多步驟 agent loop 中完成任務，GPT‑5.5 是這組資料中最有說服力的起點。OpenAI 公開數字包含 Terminal‑Bench 2.0 82.7%、OSWorld‑Verified 78.7%、BrowseComp 84.4%、Toolathlon 55.6%。

但 GPT‑5.5 Pro 要分開看。它在 BrowseComp 上為 90.1%，不過 OpenAI system card 說明 Pro 是同一底層模型搭配 parallel test-time compute 的設定，所以不宜把它當作一般 GPT‑5.5 的同條件分數。

適合先測： coding agents、browser research agents、computer-use automation、工具密集型企業助理。

2. 真實程式碼庫維護與修 bug：優先測 Claude Opus 4.7

如果你的 KPI 是修 GitHub issue、改真實 repo、產出 pull request、讓 tests 通過，Claude Opus 4.7 是最強 shortlist candidate。SWE‑Bench Verified 87.6% 與 SWE‑Bench Pro 64.3% 讓它在這組軟體工程 benchmark 中站到前排。

Anthropic 也將 Claude Opus 4.7 定位為面向 coding 與 AI agents 的 hybrid reasoning model，並提供 1M context window，因此大型程式碼庫工作流很自然會把它列入測試。

適合先測： repo maintenance、code review、複雜 refactor、developer copilots、工程團隊 agent。

3. 需要開放權重 coding stack：優先測 Kimi K2.6

如果你的條件包含開放權重、較高部署控制權，或希望在自有基礎設施上做 coding agent，Kimi K2.6 是很強的選項。Kimi 官方表格列出 Terminal‑Bench 2.0 66.7%、SWE‑Bench Pro 58.6%、SWE‑Bench Verified 80.2%、SciCode 52.2%、LiveCodeBench v6 89.6。

Kimi K2.6 在 agentic/search 類工作負載也有不錯訊號，包括 BrowseComp 83.2% 與 Agent Swarm BrowseComp 86.3%。 Artificial Analysis 則指出它原生支援 image/video input，最大 context length 為 256k。

適合先測： 開放模型部署、coding agents、research agents、需要更高 hosting control 的團隊。

4. 長上下文與開源實驗：把 DeepSeek V4 放進評估清單

DeepSeek 表示 DeepSeek V4 Preview 已於 2026 年 4 月 24 日正式上線並開源。 DeepSeek-V4-Pro model card 將 V4 系列呈現為 MoE language models。

DeepSeek V4-Pro / Pro-Max 的公開表列 benchmark 包含 Terminal Bench 2.0 67.9、SWE Verified 80.6、SWE Pro 55.4、GPQA Diamond 90.1。 這讓它成為長上下文、開源／開放權重實驗與可部署替代方案評估中的重要候選；但分數一定要綁定具體變體來讀。

適合先測： 長文件應用、開源／開放權重實驗、想比較 hosted frontier models 與可部署模型的團隊。

5. 科學與數學推理：Claude 領先 GPQA，但別只看單一榜

目前可見數字中，Claude Opus 4.7 在 GPQA Diamond 上達 94.2%。 Kimi K2.6 的 GPQA-Diamond 為 90.5%，AIME 2026 為 96.4%。 DeepSeek V4-Pro / Pro-Max 則表列 GPQA Diamond 90.1。

因此，若任務偏科學推理，Claude 是很強的 shortlist；但數學與科學工作負載通常受工具、解題時間、推論 effort 與評分方式影響很大，不能只靠單一 benchmark 定生死。

實務評估 checklist

• 不要用單一公開分數做決策。 先用公開 benchmark 篩候選，再用自己的資料、prompt、工具預算、timeout 與評分規則重測。
• 把 GPT‑5.5 與 GPT‑5.5 Pro 分開追蹤。 Pro 使用 parallel test-time compute 設定，不能視為一般 GPT‑5.5 的同預算版本。
• 先定義是否真的需要開放權重。 若資料控制、自架、模型客製或部署彈性是硬性條件，Kimi K2.6 與 DeepSeek V4 應放在獨立評估軌道。
• 長上下文不要只看 window size。 Claude Opus 4.7 有 1M context window，Kimi K2.6 的 max context length 為 256k，DeepSeek V4 材料也主打長上下文；但實際 recall、指令遵循與成本仍要用自己的文件測。
• coding agent 要同時跑公開題與內部 repo。 SWE‑Bench 類分數很有參考價值，但真實 repo 還會遇到依賴安裝、flaky tests、團隊風格與 code review 規範等差異。

主要限制

• 目前此來源組未見一個完整公開比較，能把四個模型放在同一獨立實驗室、同一 harness、同一工具權限與同一 effort setting 下測試；LM Council 也提醒獨立 benchmark 可能與廠商自報分數不同。
• GPT‑5.5 Pro 與 GPT‑5.5 不能混為一談，因為 Pro 是同一底層模型搭配 parallel test-time compute 的設定。
• DeepSeek V4 的成績具有變體差異；V4 Preview、V4-Pro、Pro-Max 等命名不應被壓成單一 DeepSeek V4 分數。
• Kimi K2.6 與 DeepSeek V4 這類開放權重部署，實際效果可能受 serving stack、硬體與上下文設定影響，因此 published benchmark 之外仍要做部署環境內測。

Bottom line

GPT‑5.5：如果重點是 agentic computer-use、瀏覽器流程、工具編排與終端機密集型 coding，最值得優先測。

Claude Opus 4.7：如果產品核心是 repo-level bug fixing、程式碼庫修復與 SWE‑Bench 類軟體工程，應放在優先清單前段。

Kimi K2.6：如果你需要開放權重 coding model，同時看重 SWE‑Bench、Terminal‑Bench 與 agentic search 訊號，它是很強的候選。

DeepSeek V4-Pro / Pro-Max：如果長上下文、開源／開放權重實驗與可部署性是關鍵條件，應納入 shortlist，但要嚴格核對具體變體與測試設定。

最穩妥的決策方式是：先用公開 benchmark 做 shortlist，再用真實任務、延遲、成本、隱私限制與 failure-mode tests 決定最後上線模型。