AI 大戰白熱化！六大頂尖模型完整實測對決

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。

* 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 ——Google 自家的模型卡顯示數字有所不同，文末說明。

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 ，創下該測試新高。
• 電腦操控（OSWorld）：83.4% ，在數位環境執行任務的穩健度一流。
• 多學科推理（Humanity's Last Exam）：57.9%（使用工具），展現深厚的跨域理解力。
• 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 。在 BenchLM 暫定排行榜上，Opus 4.8 綜合得分 93/100，位列全球 119 個模型中的第 2 名 。

🥈 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% ，針對博士級科學問題的正確率驚人。
• 前沿數學（FrontierMath Tier 1–3）：51.7% ，難度極高的數學挑戰。
• 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% ，在多步驟工具協作上領先群倫。
• 驚人速度：每秒輸出約 289 個 tokens ，是 GPT-5.5 的四倍、Claude Opus 4.8 的三倍。
• 超低價格：輸入費用每百萬 tokens 僅 $1.50，輸出 $9.00 ，比 GPT-5.5 便宜至少三倍。
• 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% ，即時程式題的通過率居冠。
• Codeforces ELO：3,206 ，代表在競技程式設計中的頂尖水準（勝過 GPT-5.5 的 3,168）。
• SWE-Bench Verified：80.6%，與 Claude Opus 4.7 的 80.8% 幾乎平手 。
• MMLU-Pro：87.5% ，多領域知識測驗表現優秀。

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）。

Grok 4.3 在 AA 智慧指數獲 53 分，屬中上梯隊，但在多數代理式基準測試（如 SWE-Bench Pro、OSWorld）仍明顯落後第一集團 。

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

資料來源

1. Anthropic 官方（claude/opus）——Opus 4.8 主要基準分數
2. OpenAI 官方（introducing-gpt-5-5）——GPT-5.5 基準分數
3. Google DeepMind 模型卡（gemini-3-5-flash）——Gemini 3.5 Flash 官方數據
4. NIST CAISI 評估報告——DeepSeek V4 Pro 的獨立政府評估
5. 杜克大學分析——Gemini 3.5 Flash 的學術機構評測
6. 第三方綜合平台：dev.to 的六模型交叉測試 、BenchLM.ai 排行榜 、Artificial Analysis 智慧指數