GPT-5.5 vs Claude Opus 4.7 vs DeepSeek V4 vs Kimi K2.6：各類基準測試贏家

完整基準表：先分清同表與跨表

凡是混用來源的列，都要特別小心。Kimi K2.6 在另一個 Kimi-focused 比較中的分數有參考價值，但可信度不能等同於在同一套測試環境中與 GPT-5.5、Claude Opus 4.7、DeepSeek-V4-Pro-Max 並排跑出的結果 。

GPT-5.5／GPT-5.5 Pro：終端、OS、數學與工具流更亮眼

GPT-5.5 最明確的勝項是 Terminal-Bench 2.0：82.7%，高於 Claude Opus 4.7 的 69.4% 與 DeepSeek-V4-Pro-Max 的 67.9% 。在這批可引用數據中，這是差距相當大的項目之一。

它在 OSWorld-Verified 也領先 Claude Opus 4.7，但差距很小：78.7% 對 78.0% 。在 FrontierMath Tiers 1–3 上，GPT-5.5 的優勢較明顯，為 51.7%，高於 Claude 的 43.8% 。

若任務重點是工具輔助推理或瀏覽，GPT-5.5 Pro 的位置更突出。它在 Humanity’s Last Exam with tools 取得 57.2%，高於 Claude Opus 4.7 的 54.7%、GPT-5.5 的 52.2% 與 DeepSeek-V4-Pro-Max 的 48.2% 。在 BrowseComp 上，GPT-5.5 Pro 也以 90.1% 領先 GPT-5.5 的 84.4%、DeepSeek-V4-Pro-Max 的 83.4% 與 Claude Opus 4.7 的 79.3% 。

不過，GPT-5.5 並非所有推理項目都領先。Claude Opus 4.7 在 GPQA Diamond 以 94.2% 小幅勝過 GPT-5.5 的 93.6% 。另有 GPT-5.5 指南列出 GPT-5.5-only 的領域結果，例如 Harvey BigLaw Bench 91.7%、內部投資銀行基準 88.5%、BixBench 80.5%；但因同一摘錄未列出 Claude Opus 4.7、DeepSeek V4 與 Kimi K2.6 的對應分數，這些不應被解讀為四方勝利 。

Claude Opus 4.7：無工具推理、軟體工程與文件訊號強

Claude Opus 4.7 在主共用表中的無工具推理表現最好。它在 GPQA Diamond 達 94.2%，在 Humanity’s Last Exam 無工具為 46.9% 。同一張表中，Claude 也在 SWE-Bench Pro / SWE Pro 以 64.3% 領先，並在 MCP Atlas / MCPAtlas Public 以 79.1% 領先 。

Claude 在所引資料中的弱項，是終端機式操作。GPT-5.5 在 Terminal-Bench 2.0 以 82.7% 對 69.4% 領先 Claude 超過 13 個百分點；GPT-5.5 也在 OSWorld-Verified 與 FrontierMath Tiers 1–3 上領先 Claude 。

在多模態與文件方面，Claude 有目前最強的可引用訊號。有來源報告 Claude Opus 4.7 在 Vision & Document Arena 拿下第一，Document Arena 較 Opus 4.6 提升 4 分，並在 diagram、homework、OCR 子類別勝出 。但該來源沒有提供 GPT-5.5、DeepSeek V4、Kimi K2.6 的同場數字，因此這支持 Claude 的文件優勢，卻不構成完整四方多模態排名 。

DeepSeek V4：主表不常第一，但成本效益值得測

資料中的 DeepSeek 標籤不只一種。主共用表使用 DeepSeek-V4-Pro-Max；Artificial Analysis 的比較則使用 DeepSeek V4 Pro，並列出 1,000k-token context window 。這些名稱不應自動視為完全可互換。

在主共用表中，DeepSeek-V4-Pro-Max 具競爭力，但沒有領先任何一列。它在 GPQA Diamond 為 90.1%，Humanity’s Last Exam 無工具為 37.7%，Humanity’s Last Exam with tools 為 48.2%，Terminal-Bench 2.0 為 67.9%，SWE-Bench Pro / SWE Pro 為 55.4%，BrowseComp 為 83.4%，MCP Atlas / MCPAtlas Public 為 73.6% 。

DeepSeek 最值得注意的引用說法，是成本效益而非單項跑分冠軍。VentureBeat 形容 DeepSeek V4 能以約 Opus 4.7 與 GPT-5.5 六分之一的成本，提供接近前沿的智慧 。這是把 DeepSeek 放進候選名單的理由，但不是跳過自家測試的理由。

若你關心長上下文，Artificial Analysis 的一個比較列出 DeepSeek V4 Pro 與 Claude Opus 4.7 同為 1,000k-token context window 。這只支持該比較中所列配置的相同上下文長度，不應擴大解讀成所有 DeepSeek 或 Claude 模式都一樣 。

Kimi K2.6：有亮點，但最難做乾淨四方排名

Kimi K2.6 是這組模型中最難直接排名的一個，因為它沒有出現在 GPT-5.5、Claude Opus 4.7、DeepSeek-V4-Pro-Max 的主共用表中 。

一個 Kimi-focused 比較列出 K2.6 在 SWE-Bench Pro 為 58.6%、SWE-Bench Verified 為 80.2%、Terminal-Bench 2.0 為 66.7%、Humanity’s Last Exam with tools 為 54.0%、LiveCodeBench v6 為 89.6% 。該來源稱 K2.6 數字來自 Moonshot AI 官方模型卡，但比較對象主要是 Claude Opus 4.6 與 GPT-5.4，而不是本文這組精確四方名單 。

另一個 Kimi vs DeepSeek 比較列出 Kimi K2.6 在 Thinking mode 下 AIME 2026 為 96.4%、APEX Agents 為 27.9%，以及在 Thinking mode 與 context management 下 BrowseComp 為 83.2% 。同一來源中，DeepSeek-V4 Pro 的 BrowseComp 為 83.4%，但 AIME 2026 與 APEX Agents 沒有 DeepSeek 對應值 。

所以，Kimi K2.6 值得測，尤其是程式、代理式任務、數學與瀏覽場景；但現有來源不足以支撐它與 GPT-5.5、Claude Opus 4.7 在同一套基準上做總排名 。

你應該先測哪一個？

• 若任務是終端機代理、OS 操作或 FrontierMath 類型工作，先測 GPT-5.5；它在所引 Terminal-Bench 2.0、OSWorld-Verified 與 FrontierMath 結果中領先 。
• 若工具輔助推理或瀏覽是核心，先測 GPT-5.5 Pro；它在主共用表中的 Humanity’s Last Exam with tools 與 BrowseComp 領先 。
• 若重點是 GPQA 類科學推理、無工具專家問答、SWE-Bench Pro 類軟體工程、MCP 類工作流，或文件密集的多模態工作，先測 Claude Opus 4.7 。
• 若主要限制是成本，而且你可以自行做品質驗證，先把 DeepSeek V4 放進候選；目前最強的引用優勢是約為 Opus 4.7 與 GPT-5.5 六分之一成本的說法 。
• 若你特別想驗證 Kimi K2.6 的程式、代理、數學與瀏覽分數，可以先測 Kimi；但務必用與其他模型相同的 prompts、工具、上下文限制、延遲目標與評分規則 。

跑分的坑：不要把 0.6 分看成定論

這不是一張萬能排行榜。來源混用了 base 與 Pro 變體，包括 GPT-5.5、GPT-5.5 Pro、DeepSeek-V4-Pro-Max、DeepSeek V4 Pro、Claude Opus 4.7 與 Kimi K2.6 。部分數字也屬供應商報告；OpenAI 也註明其 GPT 的 ARC 評估以 reasoning effort 設為 xhigh，並在研究環境中執行，結果可能與 production ChatGPT 略有不同 。

差距很小的項目，只能當作方向性訊號。Claude 在 GPQA Diamond 對 GPT-5.5 的領先是 0.6 個百分點；GPT-5.5 在 OSWorld-Verified 對 Claude 的領先是 0.7 個百分點 。相對地，較大的差距更有操作價值：GPT-5.5 在 Terminal-Bench 2.0 對 Claude 的領先超過 13 個百分點，在 FrontierMath 對 Claude 的領先為 7.9 個百分點 。

實務結論很簡單：GPT-5.5、Claude Opus 4.7、DeepSeek V4 與 Kimi K2.6 之間沒有單一總冠軍。先找出最像你真實工作負載的基準測試，再用你實際能部署的模型重跑同一套評估，才是比較穩的選型方式。