GPT-5.5、Claude Opus 4.7、DeepSeek V4、Kimi K2.6：基準測試真正告訴我們什麼

哪些分數真的能直接比較？

表中的「未見同測試可比數字」不代表 DeepSeek V4 或 Kimi K2.6 表現差；它只代表本文引用的資料沒有提供同一基準、同一設定、同一細節層級的分數 。

抽象推理：GPT-5.5 在 ARC-AGI 對 Claude 佔優

在 OpenAI 的 GPT-5.5 發布頁中，GPT-5.5 在 ARC-AGI-1 Verified 拿到 95.0％，Claude Opus 4.7 為 93.5％；在 ARC-AGI-2 Verified，GPT-5.5 為 85.0％，Claude Opus 4.7 為 75.8％ 。

這說明一件事：在這兩個抽象推理指標上，GPT-5.5 的公布分數高於 Claude Opus 4.7 。但它不等於 GPT-5.5 在所有任務都更好，也不等於 API、ChatGPT 實際使用時一定重現同樣差距。

關鍵限制在測試設定。OpenAI 說明，GPT 相關評測是在研究環境中、以推理努力程度「xhigh」執行，因此某些情況下可能與正式產品版 ChatGPT 的輸出略有不同 。換句話說，這是重要證據，但不是無條件的結論。

工具調度與 Agent：Claude Opus 4.7 在 MCP-Atlas 領先

如果你的產品重點不是單題推理，而是讓模型連續呼叫工具、串接流程、處理外部上下文，MCP-Atlas 的訊號就值得看。相關分析報告 Claude Opus 4.7 在 MCP-Atlas 得到 79.1％，GPT-5.5 為 75.3％，並把這個差距連到複雜鏈式場景中的工具呼叫可靠度 。

MCP 指的是 Model Context Protocol。對開發團隊來說，它可以理解為讓模型和工具、資料來源、工作流程互相協調的一類協定脈絡。若你的應用大量依賴多工具代理、工作流編排或外部系統呼叫，這項基準給出的最佳訊號是 Claude Opus 4.7，而不是 GPT-5.5 。

代理式程式任務：GPT-5.5 有最清楚的分數，但不是完整勝利

GPT-5.5 在 Terminal-Bench 2.0 被報告為 82.7％，這是本文引用資料中，關於終端機任務與代理式程式開發最清楚、最可用的一個數字 。

但限制同樣明顯：本文引用來源沒有提供 Claude Opus 4.7、DeepSeek V4、Kimi K2.6 在 Terminal-Bench 2.0 的同樣分數表。因此，謹慎結論應該是「GPT-5.5 在代理式程式任務有強而清楚的公開訊號」，而不是「GPT-5.5 已證明在所有程式任務中打敗另外三款模型」。

DeepSeek V4 與 Kimi K2.6：開放權重陣營很重要，但這裡不能硬排

DeepSeek V4 和 Kimi K2.6 都值得被納入開放權重模型的討論。只是，本文引用資料不足以把它們和 GPT-5.5、Claude Opus 4.7 放在 ARC-AGI、MCP-Atlas 或 Terminal-Bench 2.0 上做同表比較 。

DeepSeek 方面，Artificial Analysis 指出 DeepSeek V4 的發布讓 DeepSeek 回到領先開放權重模型之列 。本文可引用的最明確數字，是 DeepSeek V4 Pro Max 在 Artificial Analysis Intelligence Index 得到 52，較 DeepSeek V3.2 的 42 提高 。

Kimi 方面，Artificial Analysis 列出一篇題為 Kimi K2.6: The new leading open weights model 的分析 。這是一個很強的定位訊號，但本文所附來源沒有給出足夠分數，讓我們把 Kimi K2.6 與 DeepSeek V4、GPT-5.5、Claude Opus 4.7 放到同一批基準測試中嚴格比較 。

安全與資安：能力分數不是安全保證

GPT-5.5 system card 提到 CoT-Control，這是一組用來評估模型對思考鏈相關指示可控性的測試，包含超過 13,000 項任務，並建立在 GPQA、MMLU-Pro、HLE、BFCL、SWE-Bench Verified 等既有基準之上 。這對理解模型可控性有幫助，但不是 GPT-5.5、Claude Opus 4.7、DeepSeek V4、Kimi K2.6 的安全對照表 。

另一則資料稱 GPT-5.5 在 cyber range，也就是網路攻防靶場類任務中有 93％ 通過率；同時也指出紅隊測試在 6 小時內找到通用 jailbreak 。這兩個訊息要一起讀：資安任務能力很強，並不等於模型整體安全性已被證明 。

外部評論也提醒，GPT-5.5 的安全評估高度依賴 OpenAI 自身說法，這限制了外界能從供應商公布資料推論出的結論 。因此，安全敏感場景不能只看能力榜單，還需要獨立測試、紅隊驗證與部署層面的風險控制。

如果要選模型，應該怎麼看？

• 抽象推理：若只看本文引用的 ARC-AGI 數字，GPT-5.5 對 Claude Opus 4.7 較有優勢；但要記得 OpenAI 使用「xhigh」推理努力程度與研究環境設定 。
• 多工具 Agent 與 MCP 工作流：Claude Opus 4.7 在 MCP-Atlas 為 79.1％，高於 GPT-5.5 的 75.3％，是本文中最有利於 Claude 的訊號 。
• 代理式程式與終端機任務：GPT-5.5 在 Terminal-Bench 2.0 的 82.7％是最清楚的數字，但缺少其他三款模型的同測試分數 。
• 開放權重部署：DeepSeek V4 與 Kimi K2.6 都值得測試；只是本文資料只能說它們在開放權重陣營有重要訊號，不能說誰在同一組基準中全面勝過誰 。
• 安全敏感場景：把能力、資安任務表現、越獄風險與供應商安全聲明分開看；它們不是同一件事 。

不該從這些分數得出的結論

第一，不該因為 GPT-5.5 在 ARC-AGI 對 Claude Opus 4.7 佔優，就說它是所有任務的通用冠軍 。ARC-AGI 衡量的是特定類型的抽象推理，不是所有產品情境。

第二，也不該因為 Claude Opus 4.7 在 MCP-Atlas 領先，就反過來說 Claude 全面勝過 GPT-5.5 。MCP-Atlas 更貼近工具調度與鏈式流程可靠度，和抽象推理、程式任務不是同一件事。

第三，沒有共同基準測試時，不應硬把 DeepSeek V4 與 Kimi K2.6 排到 GPT-5.5、Claude Opus 4.7 前後。Artificial Analysis 的資料顯示它們在開放權重生態中重要，但不足以建立四款模型的全球總排名 。

最後，不能把能力分數當成安全保證。GPT-5.5 的資料正好顯示，高資安任務表現可以和 jailbreak 風險、評估獨立性疑慮同時存在 。

結論

最誠實的排名方式不是一張總榜，而是按任務拆開：GPT-5.5 在可引用的 ARC-AGI 分數中領先 Claude Opus 4.7，也有最清楚的代理式程式任務分數；Claude Opus 4.7 在 MCP-Atlas 領先；DeepSeek V4 與 Kimi K2.6 是開放權重陣營的重要候選，但本文引用資料不足以把它們與兩款封閉模型做嚴格同表排名 。

如果你是在做產品或平台選型，最好的方法不是看榜單截圖，而是用自己的資料、提示、工具鏈、延遲要求與風險門檻做實測。基準測試可以縮小候選名單，但真正決定模型是否適合的，仍是你的實際工作負載。