GPT-5.5 vs Claude Opus 4.7 vs DeepSeek V4 vs Kimi K2.6：誰才是最強 AI 模型？

綜合榜：GPT-5.5 的訊號最清楚

目前來源中最乾淨的整體排序，是 Artificial Analysis 的 Intelligence Index 摘要：GPT-5.5 xhigh 為 60、GPT-5.5 high 為 59；Claude Opus 4.7 Adaptive Reasoning Max Effort 為 57。

Kimi K2.6 在可見的綜合片段中低於這個 GPT-5.5／Claude 層級。OpenRouter 列 Kimi K2.6 的 Intelligence 為 53.9、Coding 為 47.1、Agentic 為 66.0；LLMBase 的 DeepSeek V4 Flash High vs Kimi K2.6 比較也列 Kimi 為 Intelligence 53.9、Coding 47.1。 同一個 LLMBase 比較列 DeepSeek V4 Flash High 為 Intelligence 44.9、Coding 39.8，但這是 Flash 版本，不能直接代表 DeepSeek V4 Pro 或 Pro-Max。

所以，這裡能下的結論是：GPT-5.5 對 Claude Opus 4.7 的整體 ranking 訊號相對清楚；但現有來源沒有提供 GPT-5.5、Claude Opus 4.7、DeepSeek V4 Pro-Max、Kimi K2.6 四者完整同場的一條總榜。

同場基準：Claude 和 GPT-5.5 分別拿下不同戰場

VentureBeat 的共享表，是目前最適合拿來比較 DeepSeek-V4-Pro-Max、GPT-5.5、部分 GPT-5.5 Pro 與 Claude Opus 4.7 的同列資料。

這不是一場橫掃，而是分項勝負。Claude Opus 4.7 在 GPQA Diamond、HLE 不用工具、SWE-Bench Pro、MCP Atlas 的證據較強；GPT-5.5 則在 Terminal-Bench 2.0 與基礎 BrowseComp 佔優，且 GPT-5.5 Pro 在 VentureBeat 有列出的 HLE with tools 與 BrowseComp 最高。

DeepSeek-V4-Pro-Max 在若干項目很接近，但在這張共享表中沒有超過 GPT-5.5 或 Claude Opus 4.7 的最佳結果。最接近的一列是 BrowseComp：DeepSeek-V4-Pro-Max 為 83.4%，GPT-5.5 為 84.4%，Claude Opus 4.7 為 79.3%。

Coding：要看你是在修 repo、跑競程，還是做 agent

若任務像 repository 級軟體工程，Claude Opus 4.7 在 VentureBeat 的 SWE-Bench Pro 共享列最強：64.3%，高於 GPT-5.5 的 58.6% 與 DeepSeek-V4-Pro-Max 的 55.4%。

但若你看的是競賽程式、程式生成與多語言軟體工程，DeepSeek V4 Pro 在本文來源中揭露的 coding 指標最完整之一。Together AI 列出 DeepSeek V4 Pro 的 LiveCodeBench 93.5%、Codeforces 3206、SWE-Bench Verified 80.6%、SWE-Bench Multilingual 76.2%。 NVIDIA 的模型卡也把 DeepSeek V4 Flash 與 V4 Pro 的多種推理設定拆開列示，並顯示 V4-Pro Max 在 LiveCodeBench 為 93.5、Codeforces 為 3206。

Kimi K2.6 也有值得看的 coding 證據，只是同場對照不夠直接。Lorka 的表格列 Kimi K2.6 在 SWE-Bench Pro 為 58.6%、HLE-Full with tools 為 54.0%、GPQA-Diamond 為 90.5%、MMMU-Pro 為 79.4%，但該表主要拿它和 GPT-5.4、Claude Opus 4.6、Gemini 3.1 Pro 比較。 Verdent 則列 Kimi K2.6 在 SWE-Bench Verified 為 80.2%、Terminal-Bench 2.0 為 66.7%、HLE with tools 為 54.0%、LiveCodeBench v6 為 89.6%，並註明 Opus 4.7 在 SWE-Bench Verified 以 87.6% 領先。

換句話說，Kimi K2.6 值得放進 coding agent 與代理式流程的候選清單；但依現有直接證據，還不能說它在整體上勝過 GPT-5.5 或 Claude Opus 4.7。

價格：DeepSeek V4 的優勢最直觀

如果 API 成本是核心考量，DeepSeek V4 的價格論點最清楚。以下價格均以每 100 萬 tokens 計；tokens 可理解為模型處理文字時的基本計費單位。

不過，價格表不能和所有端點的實際限制劃上等號。Mashable 在比較中把 DeepSeek V4、GPT-5.5、Claude Opus 4.7 都列為 1M context window；但 OpenRouter 的 DeepSeek V4 Pro 頁面顯示 max tokens 為 256K、max output tokens 為 66K。 真正上線前，仍要確認你呼叫的是哪個供應商、哪個版本、哪個推理檔位，以及實際上下文與輸出上限。

四款模型怎麼選

GPT-5.5：需要高階通用預設時最穩

如果你的決策依據是整體排名訊號，GPT-5.5 是最有根據的預設選擇。Artificial Analysis 將 GPT-5.5 xhigh 列為 60、GPT-5.5 high 列為 59，是本文來源中可見的最高兩個 Intelligence Index 位置。

在 VentureBeat 的共享表裡，GPT-5.5 也在 Terminal-Bench 2.0 達 82.7%，基礎 BrowseComp 為 84.4%；GPT-5.5 Pro 在有列出的 BrowseComp 達 90.1%。

Claude Opus 4.7：高難推理與 repo 級工程很強

Claude Opus 4.7 的整體排名略低於 GPT-5.5，但仍屬最前段：Artificial Analysis 列 Claude Opus 4.7 Adaptive Reasoning Max Effort 的 Intelligence Index 為 57。 在 VentureBeat 共享表中，它領先 GPT-5.5 與 DeepSeek-V4-Pro-Max 的項目包括 GPQA Diamond、HLE 不用工具、SWE-Bench Pro、MCP Atlas。

Anthropic 自家發表資料也提到 Claude Opus 4.7 的內部 research-agent 結果，包括六個模組整體分數並列第一的 0.715，以及 General Finance 分數 0.813、高於 Opus 4.6 的 0.767。 但這類內部基準最好當成補充背景，不宜等同於中立排行榜。

DeepSeek V4：成本敏感或大量 token 場景最有吸引力

DeepSeek V4 最明顯的優勢是價格。Mashable 的比較中，DeepSeek V4 每 100 萬輸入 tokens 為 US$1.74、輸出 tokens 為 US$3.48；GPT-5.5 為 US$5/US$30，Claude Opus 4.7 為 US$5/US$25。

DeepSeek V4 Pro 的 coding 指標也不弱：Together AI 列出 LiveCodeBench 93.5%、Codeforces 3206、SWE-Bench Verified 80.6%、SWE-Bench Multilingual 76.2%。 取捨在於，DeepSeek-V4-Pro-Max 在 VentureBeat 共享表中仍落後於 GPT-5.5 或 Claude Opus 4.7 的最佳結果，即使在 BrowseComp 這類項目已非常接近。

Kimi K2.6：可放進 coding agent 評估，但不要過早封王

Kimi K2.6 的難點在於：主要 Kimi-focused 表格多拿它和 GPT-5.4、Claude Opus 4.6 比，而不是 GPT-5.5、Claude Opus 4.7。 但訊號並不弱。OpenRouter 列 Kimi K2.6 的 Intelligence 為 53.9、Coding 為 47.1、Agentic 為 66.0；Verdent 則列 SWE-Bench Verified 80.2% 與 LiveCodeBench v6 89.6%。

實務上的結論不是 Kimi K2.6 不行，而是直接證據較薄。如果它的價格、部署路線或 agent 行為符合你的技術棧，值得自己跑測；但現有來源不足以支持它成為四者中的整體冠軍。

選型前，先把這些坑補上

• 版本名稱很重要。 DeepSeek V4 在來源中以 V4、V4 Flash、V4 Pro、DeepSeek-V4-Pro-Max 等形式出現，價格、限制與跑分會因版本和推理設定不同而變。
• 推理檔位不能混著比。 GPT-5.5 有 xhigh、high 等設定；Claude Opus 4.7 有 Adaptive Reasoning Max Effort；DeepSeek V4 Pro 也有不同 reasoning 模式與 Max 設定。
• Kimi 的直接比較較少。 現有 Kimi K2.6 強項表格多與 GPT-5.4、Claude Opus 4.6 對照，不能自動外推到 GPT-5.5、Claude Opus 4.7。
• Humanity’s Last Exam 不用工具的片段有不一致。 LLM Stats 與 VentureBeat 都列 GPT-5.5 為 41.4%、Claude Opus 4.7 為 46.9%；Mashable 的 GPT 對 Claude 片段則列 GPT-5.5 為 40.6%、Opus 4.7 為 31.2%。
• 內部基準不是中立排行榜。 Anthropic 的 Opus 4.7 發表文有內部 research-agent 成績，但應與跨供應商公開比較分開閱讀。
• 價格與上下文長度看端點。 同一模型家族在不同供應商頁面上，可能有不同 context window、max tokens 與 max output tokens。

底線

選 GPT-5.5，如果你最看重現有整體 Intelligence Index 訊號。 選 Claude Opus 4.7，如果你的工作像 GPQA Diamond、HLE 不用工具、SWE-Bench Pro、MCP Atlas 這些高難推理與軟體工程列。 選 DeepSeek V4，如果你最在意成本效益，並能先驗證實際要用的 V4 版本；它的列示 API 價格明顯低於 GPT-5.5 與 Claude Opus 4.7，DeepSeek V4 Pro 也有強 coding 指標。 把 Kimi K2.6 視為值得測試的 coding 與 agentic 候選，但不要在直接證據不足時，把它稱為四者中的總冠軍。