新鮮出爐的 Claude Opus 4.8 在自主編碼與知識工作居首，GPT 5.5 則是終端編碼與抽象推理的王者；Gemini 3.5 Flash 極速且超值，專攻工具調度。 終端機編碼（Terminal Bench 2.0/2.1）：GPT 5.5 以 78.2–82.7% 稱霸，Claude Opus 4.8 落後約 4–8 個百分點。 Gemini 3.5 Flash 驚人的 289 tokens/秒輸出速度，比對手快近四倍，而且價格最低。 DeepSeek V4 Pro 在程式競賽（Codeforces ELO 3206）和 LiveCodeBench（93.5%）展現黑馬姿態，性價比極高。 Research benchmarks for Claude Opus 4.8, Claude Opus 4.7, GPT-5.5, Gemini 3.5 Flash, Grok 4.3, DeepSeek V4 AI-generated editorial hero image for Research benchmarks for Claude Opus 4.8, Claude Opus 4.7, GPT-5.5, Gemini 3.5 Flash, Grok 4.3, DeepSeek V4. Compare them as comprehensively. AI 提示詞 Create a landscape editorial hero image for this Studio Global article: Research benchmarks for Claude Opus 4.8, Claude Opus 4.7, GPT-5.5, Gemini 3.5 Flash, Grok 4.3, DeepSeek V4. Compare them as comprehensively. Article summary: ### Which model leads what?. Topic tags: deepresearch, general web, user generated, documentation, education. Reference image context from search candidates: Reference image 1: visual subject "# Deep|DeepSeek V4 vs Claude vs GPT-5.4: A 38-Task Benchmark Across Coding, Reasoning, and Financial Research. * **Claude Opus 4.6 (Thinking) and Claude Opus 4.7 tie for #1 overall" source context "Deep|DeepSeek V4 vs Claude vs GPT-5.4: A 38-Task Benchmark ..." Reference image 2: visual subject "# April 2026 AI Model Releases: GPT-5.5, Claude Opus 4.7, DeepSeek V4 + 6 More. GPT-5.5, Claude Opus 4.7, DeepSeek V4, Gemma 4, Nemotron 3 — April 2026 nine model releases compared
openai.com 大家也會問 「AI 大戰白熱化！六大頂尖模型完整實測對決」的簡短答案是什麼？ 新鮮出爐的 Claude Opus 4.8 在自主編碼與知識工作居首，GPT 5.5 則是終端編碼與抽象推理的王者；Gemini 3.5 Flash 極速且超值，專攻工具調度。
最值得優先驗證的重點是什麼？ 新鮮出爐的 Claude Opus 4.8 在自主編碼與知識工作居首，GPT 5.5 則是終端編碼與抽象推理的王者；Gemini 3.5 Flash 極速且超值，專攻工具調度。 終端機編碼（Terminal Bench 2.0/2.1）：GPT 5.5 以 78.2–82.7% 稱霸，Claude Opus 4.8 落後約 4–8 個百分點。
接下來在實務上該怎麼做？ Gemini 3.5 Flash 驚人的 289 tokens/秒輸出速度，比對手快近四倍，而且價格最低。
新鮮出爐的 Claude Opus 4.8 在自主編碼與知識工作居首，GPT 5.5 則是終端編碼與抽象推理的王者；Gemini 3.5 Flash 極速且超值，專攻工具調度。 終端機編碼（Terminal Bench 2.0/2.1）：GPT 5.5 以 78.2–82.7% 稱霸，Claude Opus 4.8 落後約 4–8 個百分點。 Gemini 3.5 Flash 驚人的 289 tokens/秒輸出速度，比對手快近四倍，而且價格最低。 DeepSeek V4 Pro 在程式競賽（Codeforces ELO 3206）和 LiveCodeBench（93.5%）展現黑馬姿態，性價比極高。 Research benchmarks for Claude Opus 4.8, Claude Opus 4.7, GPT-5.5, Gemini 3.5 Flash, Grok 4.3, DeepSeek V4 AI-generated editorial hero image for Research benchmarks for Claude Opus 4.8, Claude Opus 4.7, GPT-5.5, Gemini 3.5 Flash, Grok 4.3, DeepSeek V4. Compare them as comprehensively. AI 提示詞 Create a landscape editorial hero image for this Studio Global article: Research benchmarks for Claude Opus 4.8, Claude Opus 4.7, GPT-5.5, Gemini 3.5 Flash, Grok 4.3, DeepSeek V4. Compare them as comprehensively. Article summary: ### Which model leads what?. Topic tags: deepresearch, general web, user generated, documentation, education. Reference image context from search candidates: Reference image 1: visual subject "# Deep|DeepSeek V4 vs Claude vs GPT-5.4: A 38-Task Benchmark Across Coding, Reasoning, and Financial Research. * **Claude Opus 4.6 (Thinking) and Claude Opus 4.7 tie for #1 overall" source context "Deep|DeepSeek V4 vs Claude vs GPT-5.4: A 38-Task Benchmark ..." Reference image 2: visual subject "# April 2026 AI Model Releases: GPT-5.5, Claude Opus 4.7, DeepSeek V4 + 6 More. GPT-5.5, Claude Opus 4.7, DeepSeek V4, Gemma 4, Nemotron 3 — April 2026 nine model releases compared
openai.com 大家也會問 「AI 大戰白熱化！六大頂尖模型完整實測對決」的簡短答案是什麼？ 新鮮出爐的 Claude Opus 4.8 在自主編碼與知識工作居首，GPT 5.5 則是終端編碼與抽象推理的王者；Gemini 3.5 Flash 極速且超值，專攻工具調度。
最值得優先驗證的重點是什麼？ 新鮮出爐的 Claude Opus 4.8 在自主編碼與知識工作居首，GPT 5.5 則是終端編碼與抽象推理的王者；Gemini 3.5 Flash 極速且超值，專攻工具調度。 終端機編碼（Terminal Bench 2.0/2.1）：GPT 5.5 以 78.2–82.7% 稱霸，Claude Opus 4.8 落後約 4–8 個百分點。
接下來在實務上該怎麼做？ Gemini 3.5 Flash 驚人的 289 tokens/秒輸出速度，比對手快近四倍，而且價格最低。
Claude Opus 4.7 2026 年 4 月 16 日 $15.00 ~$75.00（估計值） ~67–78 20 萬
GPT-5.5 2026 年 4 月 23 日 $5.00 $30.00 ~71 40 萬
Gemini 3.5 Flash 2026 年 5 月 19 日 $1.50 $9.00 289 100 萬
Grok 4.3 2026 年 4 月 30 日 $1.25–1.50 ~$6.00–8.00（估計值） ~159–207 100 萬
DeepSeek V4 Pro 2026 年 4 月 24 日 ~$0.50–2.00（估計值） ~$2.00–8.00（估計值） ~80–100（估計值） 100 萬
重點觀察 ：Gemini 3.5 Flash 的速度與成本優勢極為顯著——每秒輸出將近 300 個 tokens，是 GPT-5.5 的四倍，且每百萬輸出 tokens 收費僅 $9.00，遠低於 Claude Opus 4.8 的 $25.00 或 GPT-5.5 的 $30.00。
核心基準測試對決 下表為截至 2026 年 5 月下旬最全面的交叉比較。請注意：不同供應商可能使用不同的測試框架，部分分數因來源而異。
基準測試 Claude Opus 4.8 Claude Opus 4.7 GPT-5.5 Gemini 3.5 Flash Grok 4.3 DeepSeek V4 Pro SWE-Bench Pro（代理式編碼） 69.2% 64.3% 58.6% ~21.4%* ~19.4%* ~18.1%* SWE-Bench Verified ~83%（估計值） 87.6% 85.0% 82.1% Terminal-Bench 2.0/2.1 74.6% 66.1–69.4% OSWorld-Verified（電腦操控） 83.4% 82.8% 78.7% GDPval-AA（知識工作／代理式 Elo） 1,890 1,753 1,620–1,769 Humanity's Last Exam（使用工具） 57.9% 54.7% — — — — Humanity's Last Exam（不使用工具） 49.8% — — — — — GPQA Diamond ~94%（估計值） 94.2% 96.0% 92.4% ARC-AGI-2 ~80%（估計值） 80.2% 85.0% 75.8% MCP Atlas（工具使用可靠度） — 77.3% 79.1% 83.6% AA Intelligence Index (v4.0) ~59–60（估計值） 59 60 57 Finance Agent v2 53.9% 51.5% — — — — LiveCodeBench (Pass@1) — — ~91–92%（估計值） — — 93.5% Codeforces ELO — ~3,050（估計值） 3,168 — — 3,206 FrontierMath Tier 1–3 — 43.8% 51.7% — — — MMLU-Pro — — — — — 87.5% AIME 2025（數學） — — 95.2% — — — BrowseComp — 79.3% 84.4% — — —
* Gemini 3.5 Flash、Grok 4.3 和 DeepSeek V4 Pro 在 SWE-Bench Pro 的分數來自單一第三方測試
各領域王者盤點
🏆 Claude Opus 4.8——全能型冠軍 甫於 2026 年 5 月 28 日亮相，立即在多個關鍵領域奪魁：
代理式編碼（SWE-Bench Pro） ：69.2%，大幅領先 GPT-5.5 的 58.6% 知識工作 Elo（GDPval-AA） ：1,890 分 電腦操控（OSWorld） ：83.4% 多學科推理（Humanity's Last Exam） ：57.9%（使用工具）財務分析（Finance Agent v2） ：53.9% Anthropic 稱 Opus 4.8 在「高努力」（high effort）模式下預設開啟，token 消耗與前代差不多，但快速模式速度提升約 2.5 倍、費用降為三分之一
🥈 GPT-5.5——硬核推理與終端操作專家 OpenAI 的 GPT-5.5 在特定面向展現壓倒性優勢：
終端編碼（Terminal-Bench 2.0/2.1） ：78.2%–82.7%，比 Claude Opus 4.8 高 4–8 個百分點 抽象視覺推理（ARC-AGI-2） ：85.0% 科學推理（GPQA Diamond） ：96.0% 前沿數學（FrontierMath Tier 1–3） ：51.7% AA 智慧指數 ：60 分，為目前所有模型的最高綜合評價 對於需要多步驟規劃、工具協調的複雜終端工作流，GPT-5.5 是首選。其上下文窗口為 40 萬 tokens，定價策略與 Claude Opus 4.8 相當
🚀 Gemini 3.5 Flash——速度與價格的破壞者 Google 在 2026 年 I/O 大會上推出的 Gemini 3.5 Flash 是一款「效率優先」的模型，卻展現出越級打怪的實力：
工具調度（MCP Atlas） ：83.6% 驚人速度 ：每秒輸出約 289 個 tokens 超低價格 ：輸入費用每百萬 tokens 僅 $1.50，輸出 $9.00 終端編碼 ：76.2%，緊追 GPT-5.5 雖然在 Humanity's Last Exam 和 ARC-AGI-2 等純推理測試上略遜於 Gemini 3.1 Pro，但 Gemini 3.5 Flash 是處理大量代理式工作流、對成本與延遲敏感的場景下的理想方案
💡 DeepSeek V4 Pro——程式競賽的沉默殺手 DeepSeek 的 V4 Pro 以極具破壞力的定價，在編碼領域交出亮眼成績單：
LiveCodeBench (Pass@1) ：93.5% Codeforces ELO ：3,206 SWE-Bench Verified ：80.6%，與 Claude Opus 4.7 的 80.8% 幾乎平手 MMLU-Pro ：87.5% V4 Pro 的弱項在於需多檔案協作的代理式編碼（SWE-Bench Pro 約 18.1%）以及部分事實性問答，但它以極低價格提供近乎前沿模型的競爭力，是預算有限但對程式品質要求高的開發者福音
🤖 Grok 4.3——中堅實力，速度取勝 xAI 的 Grok 4.3 定位為高性價比的泛用型模型：
GPQA Diamond ：90.1%，科學推理具備一定競爭力 輸出速度 ：159–207 tokens/秒，表現輕快 超低定價 ：輸入 $1.25、輸出 ~$2.50（每百萬 tokens）
重要提醒與限制
基準來源不同 ：數據來自 Anthropic、OpenAI、Google DeepMind 及獨立測試者，使用的測試框架（harness）不盡相同。例如 GPT-5.5 的 Terminal-Bench 分數，在 Google 的模型卡上為 78.2%，但 OpenAI 自己的報告為 82.7%。SWE-Bench 的兩個版本 ：SWE-Bench Pro 是更難的「多檔案架構級修改」，Verified 則是「單一問題修正」。Claude 在 Pro 版明顯領先，Verified 版則大家分數較為接近。成本效益差距大 ：DeepSeek V4 Pro、Grok 4.3 和 Gemini 3.5 Flash 的每 token 成本遠低於 Claude Opus 4.8 與 GPT-5.5，適合大規模或延遲敏感的應用。Gemini 3.5 Flash 的定位 ：它是「Flash」效率優化系列，並非與其他「Pro」或「Opus」同等級的旗艦。即便如此，它在多項代理式基準中仍表現亮眼。
結論：沒有一個模型能通吃 使用場景 首選模型 理由 複雜自主編碼、多步驟專案 Claude Opus 4.8 SWE-Bench Pro 王者，多檔案修改能力最強 終端命令列操作、長文本理解 GPT-5.5 Terminal-Bench 最高分，MRCR v2 大幅領先 高吞吐量代理工作、預算敏感 Gemini 3.5 Flash 速度最快、價格最低，MCP Atlas 稱冠 競技程式、程式碼生成 DeepSeek V4 Pro Codeforces ELO 與 LiveCodeBench 雙冠，性價比高 日常泛用、快速互動 Grok 4.3 速度快、價格低，多數任務表現夠用
資料來源
Anthropic 官方 （claude/opus）——Opus 4.8 主要基準分數 OpenAI 官方 （introducing-gpt-5-5）——GPT-5.5 基準分數 Google DeepMind 模型卡 （gemini-3-5-flash）——Gemini 3.5 Flash 官方數據 NIST CAISI 評估報告 ——DeepSeek V4 Pro 的獨立政府評估 杜克大學分析 ——Gemini 3.5 Flash 的學術機構評測 第三方綜合平台 ：dev.to 的六模型交叉測試 Claude Opus 4.7 2026 年 4 月 16 日 $15.00 ~$75.00（估計值） ~67–78 20 萬
GPT-5.5 2026 年 4 月 23 日 $5.00 $30.00 ~71 40 萬
Gemini 3.5 Flash 2026 年 5 月 19 日 $1.50 $9.00 289 100 萬
Grok 4.3 2026 年 4 月 30 日 $1.25–1.50 ~$6.00–8.00（估計值） ~159–207 100 萬
DeepSeek V4 Pro 2026 年 4 月 24 日 ~$0.50–2.00（估計值） ~$2.00–8.00（估計值） ~80–100（估計值） 100 萬
重點觀察 ：Gemini 3.5 Flash 的速度與成本優勢極為顯著——每秒輸出將近 300 個 tokens，是 GPT-5.5 的四倍，且每百萬輸出 tokens 收費僅 $9.00，遠低於 Claude Opus 4.8 的 $25.00 或 GPT-5.5 的 $30.00。
核心基準測試對決 下表為截至 2026 年 5 月下旬最全面的交叉比較。請注意：不同供應商可能使用不同的測試框架，部分分數因來源而異。
基準測試 Claude Opus 4.8 Claude Opus 4.7 GPT-5.5 Gemini 3.5 Flash Grok 4.3 DeepSeek V4 Pro SWE-Bench Pro（代理式編碼） 69.2% 64.3% 58.6% ~21.4%* ~19.4%* ~18.1%* SWE-Bench Verified ~83%（估計值） 87.6% 85.0% 82.1% Terminal-Bench 2.0/2.1 74.6% 66.1–69.4% OSWorld-Verified（電腦操控） 83.4% 82.8% 78.7% GDPval-AA（知識工作／代理式 Elo） 1,890 1,753 1,620–1,769 Humanity's Last Exam（使用工具） 57.9% 54.7% — — — — Humanity's Last Exam（不使用工具） 49.8% — — — — — GPQA Diamond ~94%（估計值） 94.2% 96.0% 92.4% ARC-AGI-2 ~80%（估計值） 80.2% 85.0% 75.8% MCP Atlas（工具使用可靠度） — 77.3% 79.1% 83.6% AA Intelligence Index (v4.0) ~59–60（估計值） 59 60 57 Finance Agent v2 53.9% 51.5% — — — — LiveCodeBench (Pass@1) — — ~91–92%（估計值） — — 93.5% Codeforces ELO — ~3,050（估計值） 3,168 — — 3,206 FrontierMath Tier 1–3 — 43.8% 51.7% — — — MMLU-Pro — — — — — 87.5% AIME 2025（數學） — — 95.2% — — — BrowseComp — 79.3% 84.4% — — —
* Gemini 3.5 Flash、Grok 4.3 和 DeepSeek V4 Pro 在 SWE-Bench Pro 的分數來自單一第三方測試
各領域王者盤點
🏆 Claude Opus 4.8——全能型冠軍 甫於 2026 年 5 月 28 日亮相，立即在多個關鍵領域奪魁：
代理式編碼（SWE-Bench Pro） ：69.2%，大幅領先 GPT-5.5 的 58.6% 知識工作 Elo（GDPval-AA） ：1,890 分 電腦操控（OSWorld） ：83.4% 多學科推理（Humanity's Last Exam） ：57.9%（使用工具）財務分析（Finance Agent v2） ：53.9% Anthropic 稱 Opus 4.8 在「高努力」（high effort）模式下預設開啟，token 消耗與前代差不多，但快速模式速度提升約 2.5 倍、費用降為三分之一
🥈 GPT-5.5——硬核推理與終端操作專家 OpenAI 的 GPT-5.5 在特定面向展現壓倒性優勢：
終端編碼（Terminal-Bench 2.0/2.1） ：78.2%–82.7%，比 Claude Opus 4.8 高 4–8 個百分點 抽象視覺推理（ARC-AGI-2） ：85.0% 科學推理（GPQA Diamond） ：96.0% 前沿數學（FrontierMath Tier 1–3） ：51.7% AA 智慧指數 ：60 分，為目前所有模型的最高綜合評價 對於需要多步驟規劃、工具協調的複雜終端工作流，GPT-5.5 是首選。其上下文窗口為 40 萬 tokens，定價策略與 Claude Opus 4.8 相當
🚀 Gemini 3.5 Flash——速度與價格的破壞者 Google 在 2026 年 I/O 大會上推出的 Gemini 3.5 Flash 是一款「效率優先」的模型，卻展現出越級打怪的實力：
工具調度（MCP Atlas） ：83.6% 驚人速度 ：每秒輸出約 289 個 tokens 超低價格 ：輸入費用每百萬 tokens 僅 $1.50，輸出 $9.00 終端編碼 ：76.2%，緊追 GPT-5.5 雖然在 Humanity's Last Exam 和 ARC-AGI-2 等純推理測試上略遜於 Gemini 3.1 Pro，但 Gemini 3.5 Flash 是處理大量代理式工作流、對成本與延遲敏感的場景下的理想方案
💡 DeepSeek V4 Pro——程式競賽的沉默殺手 DeepSeek 的 V4 Pro 以極具破壞力的定價，在編碼領域交出亮眼成績單：
LiveCodeBench (Pass@1) ：93.5% Codeforces ELO ：3,206 SWE-Bench Verified ：80.6%，與 Claude Opus 4.7 的 80.8% 幾乎平手 MMLU-Pro ：87.5% V4 Pro 的弱項在於需多檔案協作的代理式編碼（SWE-Bench Pro 約 18.1%）以及部分事實性問答，但它以極低價格提供近乎前沿模型的競爭力，是預算有限但對程式品質要求高的開發者福音
🤖 Grok 4.3——中堅實力，速度取勝 xAI 的 Grok 4.3 定位為高性價比的泛用型模型：
GPQA Diamond ：90.1%，科學推理具備一定競爭力 輸出速度 ：159–207 tokens/秒，表現輕快 超低定價 ：輸入 $1.25、輸出 ~$2.50（每百萬 tokens）
重要提醒與限制
基準來源不同 ：數據來自 Anthropic、OpenAI、Google DeepMind 及獨立測試者，使用的測試框架（harness）不盡相同。例如 GPT-5.5 的 Terminal-Bench 分數，在 Google 的模型卡上為 78.2%，但 OpenAI 自己的報告為 82.7%。SWE-Bench 的兩個版本 ：SWE-Bench Pro 是更難的「多檔案架構級修改」，Verified 則是「單一問題修正」。Claude 在 Pro 版明顯領先，Verified 版則大家分數較為接近。成本效益差距大 ：DeepSeek V4 Pro、Grok 4.3 和 Gemini 3.5 Flash 的每 token 成本遠低於 Claude Opus 4.8 與 GPT-5.5，適合大規模或延遲敏感的應用。Gemini 3.5 Flash 的定位 ：它是「Flash」效率優化系列，並非與其他「Pro」或「Opus」同等級的旗艦。即便如此，它在多項代理式基準中仍表現亮眼。
結論：沒有一個模型能通吃 使用場景 首選模型 理由 複雜自主編碼、多步驟專案 Claude Opus 4.8 SWE-Bench Pro 王者，多檔案修改能力最強 終端命令列操作、長文本理解 GPT-5.5 Terminal-Bench 最高分，MRCR v2 大幅領先 高吞吐量代理工作、預算敏感 Gemini 3.5 Flash 速度最快、價格最低，MCP Atlas 稱冠 競技程式、程式碼生成 DeepSeek V4 Pro Codeforces ELO 與 LiveCodeBench 雙冠，性價比高 日常泛用、快速互動 Grok 4.3 速度快、價格低，多數任務表現夠用
資料來源
Anthropic 官方 （claude/opus）——Opus 4.8 主要基準分數 OpenAI 官方 （introducing-gpt-5-5）——GPT-5.5 基準分數 Google DeepMind 模型卡 （gemini-3-5-flash）——Gemini 3.5 Flash 官方數據 NIST CAISI 評估報告 ——DeepSeek V4 Pro 的獨立政府評估 杜克大學分析 ——Gemini 3.5 Flash 的學術機構評測 第三方綜合平台 ：dev.to 的六模型交叉測試 81.0%
80.6%
78.2–82.7%
76.2%
68.5%
65.0%
75.0%
72.1%
70.5%
1,656
1,500–1,570
1,550
90.1–91.5%
95.1%
76.1%
74.0%
74.2%
71.5%
53
55
81.0%
80.6%
78.2–82.7%
76.2%
68.5%
65.0%
75.0%
72.1%
70.5%
1,656
1,500–1,570
1,550
90.1–91.5%
95.1%
76.1%
74.0%
74.2%
71.5%
53
55
benchlm.aiClaude Opus 4.8 Benchmarks 2026: Scores, Rankings & Performance
claude5.aiClaude AI Benchmarks: Complete Performance Comparison | 2026
anthropic.comClaude Opus 4.8 - Anthropic
9to5mac.comAnthropic upgrades Claude with new Opus 4.8 model, here's what's ...