Claude Mythos Preview 最吸睛的數字是 SWE bench Verified 93.9%;但 Anthropic 將它列為 Project Glasswing 的邀請制研究預覽模型,並非一般可自由註冊使用的標準模型。
沒有單一冠軍:Claude Opus 4.7 在可比資料中展現最強品質訊號,HLE 與 SWE Bench Pro 領先;但 GPT 5.5 在 Terminal Bench 2.0 明顯占優 [3][16]。
沒有單一贏家:LLM Stats 在 10 個共同回報基準中列 Claude Opus 4.7 領先 6 項、GPT 5.5 領先 4 項,但分數多為供應商在 high reasoning tier 自報,BenchLM 也說重疊資料不足,不能當最終排名。
目前沒有足夠證據說 GPT 5.5 或 DeepSeek V4 全面勝出:BenchLM 顯示 DeepSeek V4 Flash High 在 coding 平均分 72.2 對 58.6 領先,但 GPT 5.5 在 agentic tasks 81.8 對 55.4 領先;最大 caveat 是各來源比較的 DeepSeek V4 版本不同 [13]。
沒有總冠軍:Claude Opus 4.7 在 SWE Bench Pro 以 64.3% 對 58.6% 領先,GPT 5.5 在 Terminal Bench 2.0 以 82.7% 對 69.4% 領先;這些分數適合初篩,不該取代自家任務評測。[14]
在有直接公開數字的程式基準上,DS V4 Pro Max 的 LiveCodeBench(Pass@1)為 93.5,高於 K2.6 Thinking 的 89.6;但這是 DeepSeek 公布的表格,仍需保留餘地 [18][35]。
目前沒有乾淨的四方總冠軍:GPT 5.5 有 OpenAI 官方的 Terminal Bench 2.0 82.7% 與 SWE Bench Pro 58.6%;Claude Opus 4.7 的 Coding 優勢主要來自第三方對照資料 [24][4]。
沒有一款模型在所有指標全面勝出:GPT 5.5 在 ARC AGI 2 達 85%,高於 Claude Opus 4.7 的 75.8%,並在 Terminal Bench 2.0 以 82.7% 明顯領先。[1][3]
在雙方共同回報的 10 個公開基準中,Claude Opus 4.7 領先 6 項,GPT 5.5 領先 4 項;但更合理的看法不是排總名次,而是看任務型態。[15]
實務程式開發先試 Kimi K2.6。AkitaOnRails 的 LLM Coding Benchmark 中,Kimi K2.6 得 87 分、Tier A;DeepSeek V4 Flash 為 78 分、DeepSeek V4 Pro 為 69 分,兩者皆為 Tier B[8]。
目前沒有足夠一致的公開基準可公平排出 1–4 名;Artificial Analysis 給 Claude Opus 4.7 57 分,GPT 5.5 xhigh 則以 60 分領先 Intelligence Index,但 LLM Stats 顯示兩者在不同測試互有勝負 [12][14][15]。
可比較的公開表格並沒有給出單一總冠軍:Claude Opus 4.7 在 GPQA Diamond 以 94.2% 領先,並在 HLE 無工具情境拿到 46.9% [6]。