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

可比 benchmark 速查表

讀 benchmark 前，先避開三個陷阱

第一，SWE-bench、SWE-bench Verified、SWE-bench Pro 不是同一個東西。Vals AI 將 SWE-bench 描述為用來解決生產環境軟體工程任務的 benchmark ；而 SWE-bench Pro 的論文則把它定位為更困難、面向長時程軟體工程任務的測試 。所以，看到 SWE-bench Pro 分數較低，不一定代表模型退步，而可能是題目本來就更難。

第二，GPQA Diamond 與 MMLU 都要小心解讀。TNW 指出，在 GPQA Diamond 上，Opus 4.7、GPT-5.4 Pro、Gemini 3.1 Pro 等 frontier 模型已經非常接近，差距落在測量雜訊範圍內 。MMLU 更需要降權看待：Nanonets 指出，2026 年頂尖模型已普遍超過 88%，這個 benchmark 已很難細分領先群 。

第三，分數的來源很重要。官方模型文章、獨立 leaderboard、彙整網站、社群討論與技術部落格，不該被視為同等證據。BenchLM 甚至指出，Claude Opus 4.7 的資料頁雖然已被追蹤，但因為還缺乏足夠非生成的公開 benchmark 覆蓋，所以暫時排除在公開 leaderboard 之外 。這類註記比單一高分更值得看。

Claude Opus 4.7：coding 與代理式任務的證據最紮實

Claude Opus 4.7 是這四款模型中，公開證據最完整的一個。Anthropic 表示，Opus 4.7 在其內部 research-agent benchmark 六個模組中並列總分最高，分數為 0.715，並且在其測試模型中交出最一致的長上下文表現 。這是官方內部測試，不能直接等同第三方獨立 benchmark，但它清楚說明 Anthropic 對 Opus 4.7 的定位：多步工作、長上下文與代理式任務。

外部訊號最明確的是 SWE-bench。Vals AI 在 2026 年 4 月 24 日更新的 SWE-bench 頁面中，將 Claude Opus 4.7 列為第一，分數為 82.00% 。Vellum 則報告 Opus 4.7 在 SWE-bench Verified 為 87.6%、SWE-bench Pro 為 64.3% 。LMCouncil 也列出 Claude Opus 4.7 在 SWE-bench Verified 為 83.5% ± 1.7 。

正確讀法不是挑一個最高分當真理，而是承認 Claude 在多個軟體工程評測中都站在高位或領先區間，同時標明不同 benchmark、不同日期與不同方法可能造成差異 。

在科學推理方面，Claude Opus 4.7 在 O-Mega、Vellum 與 TNW 的 GPQA Diamond 數字都是 94.2% 。不過，這項優勢不宜過度放大，因為 TNW 已提醒 frontier 模型在 GPQA Diamond 上差距很小，這個 benchmark 不足以單獨決定總冠軍 。

GPT-5.5：推理分數很強，但官方可追溯性較弱

GPT-5.5 的強項在一般推理。O-Mega 報告 GPT-5.5 在 MMLU 為 92.4%、GPQA Diamond 為 93.6%、ARC-AGI-2 為 85.0%、ARC-AGI-1 為 95.0% 。Vellum 也列出 GPT-5.5 在 GPQA Diamond 為 93.6%，在該表中低於 Claude Opus 4.7 的 94.2% 。BenchLM 則把 GPT-5.5 放在高階模型行列：暫定 leaderboard 總分 89/100、112 個模型中排名第 5，並在 verified leaderboard 的 16 個模型中排名第 2 。

主要保留點是可追溯性。這次可引用資料中，GPT-5.5 的數字主要來自文章、彙整頁與 leaderboard，而沒有找到一份能與 Anthropic Opus 4.7 官方材料等量齊觀的 OpenAI 官方 benchmark card。Appwrite 稱 GPT-5.5 於 2026 年 4 月 23 日推出，Vals AI 也列出 openai/gpt-5.5 的 release date 為 2026 年 4 月 23 日，並給出 Vals Index accuracy 67.76% ± 1.79；但這些資料仍不能取代官方完整 benchmark 說明 。

因此，若要放進簡報，GPT-5.5 應該被定位為推理能力的一線競爭者，特別是 GPQA 與 ARC-AGI 數字很強；但若決策標準是公開證據同質、可追溯且可驗證，就不宜直接宣布它是整體勝者 。

DeepSeek V4 / V4 Pro：值得測，但版本混用要特別小心

DeepSeek 的最大問題不是沒有亮點，而是版本標籤太容易混在一起。可引用資料裡同時出現 DeepSeek V4、DeepSeek V4 Pro、DeepSeek V4 Pro High；把其中一個版本的分數直接套到另一個版本，會讓比較失真 。

Hugging Face 上有 DeepSeek-V4-Pro 的社群討論，列入 GPQA、GSM8K、HLE、MMLU-Pro、SWE-bench Pro、SWE-bench Verified、Terminal-Bench 2.0 等評測項目 。BenchLM 則對 DeepSeek V4 Pro High 報告 Agentic 83.8/100、Coding 88.8/100、Knowledge 72.1/100 。NxCode 宣稱 DeepSeek V4 在 SWE-bench 達 81%，並在 100 萬 token Needle-in-a-Haystack 測試達 97%，但該來源也提醒，97% 這個長上下文數字需要獨立測試支持才更有說服力 。

Redreamality 提供另一個正面訊號：DeepSeek V4 在純 coding 指標上，LiveCodeBench 為 93.5、Codeforces 為 3206 。但同一來源也總結，若是 SWE-bench Pro、Terminal-Bench 2.0 這類長時程代理式工作，封閉 frontier 模型仍然領先 。

實務上，DeepSeek V4/V4 Pro 很適合被放進內部 proof of concept，尤其是團隊重視技術控制、開放權重生態、本地部署或成本結構時。但就目前公開證據而言，它還沒有達到 Claude 在 SWE-bench 與官方多步任務資料上的同等穩固程度 。

Kimi K2.6：有訊號，但還不是完整比較對象

Kimi K2.6 不應被完全排除，但也不能被包裝成已經有同等資料覆蓋。LLM Stats 將 Kimi K2.6 列為 GPQA 0.91，WhatLLM 則把它放進 Quality Index 前十 。這代表它確實出現在部分榜單中，但不足以與 Claude Opus 4.7、GPT-5.5、DeepSeek V4/V4 Pro 做全面 benchmark 對照。

還有一個常見錯誤：用 Kimi K2.5 的成績替代 Kimi K2.6。Simon Willison 在 2026 年 2 月整理 SWE-bench Verified 更新時，提到的是 Kimi K2.5，而不是 Kimi K2.6 。對嚴謹比較來說，這兩者不能互換。因此 Kimi K2.6 目前最合適的標籤是：資料不足，等待更多可比 benchmark。

依使用場景排序，會比總排名更有用

若要做成決策簡報，建議這樣講

最穩的簡報方式，是把性能與證據品質分開。第一頁放使用場景建議；第二頁放 benchmark 數字；第三頁專門放限制與方法論。這樣可以避免一張排行榜造成錯誤安全感。

核心訊息可以很簡潔：Claude Opus 4.7 是 coding 與代理式任務中公開證據最充分的領先者；GPT-5.5 是一般推理上最強的競爭者之一；DeepSeek V4/V4 Pro 是值得內測的技術型替代方案；Kimi K2.6 則仍缺可比資料。

方法論註記至少要寫三點。第一，不要把 SWE-bench、SWE-bench Verified、SWE-bench Pro 當成同一項測試，因為 SWE-bench Pro 被設計為更困難的長時程軟體工程 benchmark 。第二，不要把 MMLU 當主要決策依據，因為頂尖模型已經在 88% 以上擠成一團 。第三，每個數字都要標示來源類型：官方、leaderboard、彙整平台、社群評測或單方 claim。

最終判斷

如果目標是做一份證據站得住腳的 2026 模型比較，Claude Opus 4.7 應排在 coding 與代理式任務第一順位，因為它同時有 Anthropic 官方訊號、Vals AI SWE-bench 領先資料，以及 Vellum 對 SWE-bench Verified、SWE-bench Pro 的強勢數字 。

GPT-5.5 應被視為推理能力的一線對手，尤其是 GPQA 與 ARC-AGI 數字亮眼；但目前可引用資料多為二手或彙整來源，結論要加上這層保留 。DeepSeek V4/V4 Pro 值得內部測試，不宜直接宣布領先 。Kimi K2.6 則暫時只能列為資料不足，等待更多跨 benchmark 的可比證據 。