كيف تختار بين GPT-5.5 وClaude Opus 4.7 وDeepSeek V4 وKimi K2.6؟

الأرقام الأساسية: انتبه لاختلاف أسماء النماذج والمنهجيات

مصادر DeepSeek لا تستخدم دائماً الاسم نفسه: في الأسعار يظهر DeepSeek V4 أو DeepSeek V4 Pro، بينما في بعض الجداول يظهر DeepSeek-V4-Pro-Max. لذلك يعرض الجدول الأسماء كما وردت في المصادر بدلاً من افتراض أنها إعداد واحد مطابق.

1. الترتيب العام: GPT-5.5 يتصدر في المؤشر المرئي، لكن ليس كل شيء محسوباً

يعرض ملخص Artificial Analysis أعلى النماذج في Intelligence Index كالتالي: GPT-5.5 xhigh عند 60، ثم GPT-5.5 high عند 59، ثم Claude Opus 4.7 Adaptive Reasoning, Max Effort عند 57، مع Gemini 3.1 Pro Preview وGPT-5.4 xhigh عند 57 أيضاً.

هذا يدعم استنتاجاً محدوداً: في هذا المؤشر المرئي، يظهر GPT-5.5 أمام Claude Opus 4.7. لكنه لا يكفي لترتيب النماذج الأربعة بالكامل، لأن الملخص نفسه لا يعرض أرقام DeepSeek V4 وKimi K2.6 بالمقياس ذاته.

2. مهام الوكلاء والتصفح والطرفية: GPT-5.5 أقوى، وDeepSeek قريب في التصفح

BrowseComp يقيس قدرة النموذج على التصفح الوكيلي للويب، أي البحث والتنقل عبر معلومات منظمة ومعقدة. في ملخص VentureBeat، سجّل GPT-5.5 نسبة 84.4%، وسجّل DeepSeek-V4-Pro-Max نسبة 83.4%، بينما سجّل Claude Opus 4.7 نسبة 79.3%.

في Terminal-Bench 2.0، وهو اختبار يميل إلى سير عمل سطر الأوامر والمهام الطرفية، تصبح الفجوة أوضح: GPT-5.5 عند 82.7%، وClaude Opus 4.7 عند 69.4%، وDeepSeek عند 67.9%. كما يصف Yahoo / Investing.com الاختبار بأنه يقيس command-line workflows، ويورد نتيجة GPT-5.5 نفسها عند 82.7%.

أما Kimi K2.6 فلديه رقم ظاهر في Terminal-Bench 2.0 عند 66.70%، لكنه آت من مقارنة مختلفة تشمل Kimi K2.6 وClaude Opus 4.6 وGPT-5.4، لا من جدول واحد يجمعه مع GPT-5.5 وClaude Opus 4.7 وDeepSeek V4.

3. البرمجة وSWE: Claude أعلى في SWE-Bench Pro، لكن سير الأدوات يحتاج اختباراً منفصلاً

في جدول DataCamp الخاص بـDeepSeek V4، تظهر نتائج SWE-Bench Pro كالتالي: DeepSeek V4 Pro عند 55.4%، وGPT-5.5 عند 58.6%، وClaude Opus 4.7 عند 64.3%. ويذكر Yahoo / Investing.com أن SWE-Bench Pro يقيّم حل مشكلات GitHub، مع نتيجة GPT-5.5 عند 58.6%.

هذا يجعل Claude Opus 4.7 المرشح الأقوى عند النظر إلى هذا المؤشر وحده. لكن العمل البرمجي الحقيقي لا يتوقف عند رقم واحد: إصلاح مستودع كبير، مراجعة كود، تشغيل اختبارات، واستخدام أدوات الطرفية كلها مهام قد تظهر فيها فروق مختلفة.

بالنسبة إلى Kimi K2.6، الأرقام البرمجية مثيرة للاهتمام لكنها تحتاج حذراً. يعرض Verdent نتائج مثل 58.60% في SWE-Bench Pro، و80.20% في SWE-Bench Verified، و89.60% في LiveCodeBench v6، لكنه يوضح أن أرقام Kimi K2.6 مأخوذة من بطاقة Moonshot AI الرسمية، وأن SWE-Bench Pro استخدم Moonshot in-house harness. لذلك يصلح Kimi K2.6 ليكون ضمن قائمة اختبارات coding-agent، لكنه لا يصلح لوضعه مباشرة في ترتيب رباعي عادل اعتماداً على هذه الأرقام وحدها.

4. الاستدلال الصعب والمراجعة: Claude Opus 4.7 يبدو أوضح تفوقاً

في GPQA Diamond، يعرض VentureBeat الأرقام التالية: Claude Opus 4.7 عند 94.2%، وGPT-5.5 عند 93.6%، وDeepSeek-V4-Pro-Max عند 90.1%. وفي Humanity’s Last Exam بلا أدوات، يظهر Claude Opus 4.7 عند 46.9%، وGPT-5.5 عند 41.4%، وGPT-5.5 Pro عند 43.1%، وDeepSeek-V4-Pro-Max عند 37.7%.

كما يذهب LLM Stats في الاتجاه نفسه عند مقارنة GPT-5.5 وClaude Opus 4.7: في 10 اختبارات يبلّغ عنها الطرفان، يتقدم Claude Opus 4.7 في 6 اختبارات ويتقدم GPT-5.5 في 4؛ وتتركز أفضلية Claude في الاختبارات الثقيلة استدلالياً واختبارات المراجعة، بينما تتركز أفضلية GPT-5.5 في اختبارات استخدام الأدوات طويلة المدى.

5. السعر ونافذة السياق: DeepSeek V4 يملك أوضح أفضلية تكلفة

تورد Mashable أسعار API لثلاثة نماذج: DeepSeek V4 عند 1.74 دولار لكل مليون token إدخال و3.48 دولار لكل مليون token إخراج، مع نافذة سياق 1M؛ وGPT-5.5 عند 5 دولارات للإدخال و30 دولاراً للإخراج؛ وClaude Opus 4.7 عند 5 دولارات للإدخال و25 دولاراً للإخراج، مع نافذة 1M أيضاً.

ويستخدم DataCamp المقياس نفسه تقريباً عند مقارنة DeepSeek V4 Pro وGPT-5.5 وClaude Opus 4.7، بما في ذلك نافذة سياق تقارب 1M tokens. لذلك، إذا كان لديك حجم كبير من الطلبات أو تطبيق يعتمد على التوليد المتكرر، فـDeepSeek V4 يستحق أن يكون في أول مسار اختبار للسعر، خصوصاً أن DeepSeek-V4-Pro-Max قريب جداً من GPT-5.5 في BrowseComp: 83.4% مقابل 84.4%.

أما Kimi K2.6 فلا يظهر له سعر API بالمقياس نفسه في المصادر المتاحة. يذكر DocsBot أنه يملك سياق 256K، ويصفه كنموذج agentic مفتوح المصدر موجه للبرمجة طويلة الأفق، والتصميم المدفوع بالكود، والتنفيذ الذاتي، وتنسيق المهام عبر مجموعات وكلاء.

بنية عملية للاختيار: لا تشترِ نموذجاً واحداً قبل بناء مسار توجيه

بالنسبة إلى معظم فرق المنتجات والهندسة، القرار الأذكى ليس اختيار نموذج واحد وإغلاق الباب، بل بناء routing بسيط: يذهب كل نوع مهمة إلى النموذج الأقدر أو الأرخص، ثم تُقاس النتائج على مهامك الحقيقية.

1. اجعل GPT-5.5 خط الأساس للمهام الوكيلية واستخدام الأدوات. بجانب أرقامه في BrowseComp وTerminal-Bench 2.0، تذكر OpenAI أنه يسجل 84.9% في GDPval، و78.7% في OSWorld-Verified، و98.0% في Tau2-bench Telecom بلا prompt tuning.
2. اختبر Claude Opus 4.7 في الاستدلال والمراجعة والقرارات منخفضة السماحية للخطأ. أرقامه في GPQA Diamond وHumanity’s Last Exam بلا أدوات، وتحليل LLM Stats للاختبارات الثقيلة استدلالياً، تجعله مرشحاً قوياً لهذه الفئة.
3. استخدم DeepSeek V4 لتجارب خفض تكلفة API. أسعاره المنشورة أقل من GPT-5.5 وClaude Opus 4.7، مع أداء قريب جداً من GPT-5.5 في BrowseComp.
4. ضع Kimi K2.6 في حوض تجارب coding-agent المفتوحة. لديه أرقام برمجية وسياق 256K في المصادر المتاحة، لكنه يحتاج اختباراً داخلياً على مستودعاتك وأدواتك لأن المقارنة الرباعية العادلة غير مكتملة.

حدود هذه المقارنة

• ليست كل النتائج من اختبار واحد وبالإعداد نفسه. توجد أرقام مشتركة جزئية لـGPT-5.5 وClaude Opus 4.7 وDeepSeek-V4-Pro-Max في ملخص VentureBeat، بينما تأتي أرقام Kimi K2.6 أساساً من مقارنة أخرى مع Claude Opus 4.6 وGPT-5.4.
• إعدادات النماذج قد تغيّر النتيجة. في Artificial Analysis يظهر GPT-5.5 بنسختي xhigh وhigh، ويظهر Claude Opus 4.7 بوضع Adaptive Reasoning, Max Effort، بينما يستخدم VentureBeat اسم DeepSeek-V4-Pro-Max.
• الأرقام الذاتية والمستقلة ليست شيئاً واحداً. ينبه LLM Stats إلى أن بعض نتائج GPT-5.5 وClaude Opus 4.7 مُعلنة من المزودين عند مستويات استدلال مرتفعة، وأنها قابلة للمقارنة في الشكل لا في المنهجية الكاملة.
• الاختبارات العامة لا تغني عن اختبارك. BrowseComp يميل إلى التصفح الوكيلي، وTerminal-Bench 2.0 إلى workflows سطر الأوامر، وSWE-Bench Pro إلى حل مشكلات GitHub؛ وهذه لا تمثل بالضرورة خدمة العملاء، التحليل المالي، البحث العربي، أو كود شركتك الداخلي.

الحكم النهائي

إذا كان المطلوب فرزاً أولياً بناءً على الأرقام العامة المتاحة، فالصورة كالتالي: GPT-5.5 هو أقوى مرشح لمهام agentic tool-use والتصفح وسير العمل متعدد الأدوات؛ Claude Opus 4.7 هو مرشح بارز للاستدلال والمراجعة عالية الجودة؛ DeepSeek V4 هو أفضل ورقة تكلفة بين النماذج المذكورة؛ وKimi K2.6 يستحق الاختبار في مسارات coding-agent المفتوحة، لكن الأدلة المتاحة لا تكفي لإدخاله بعدل في ترتيب رباعي كامل.

قبل الشراء أو الإطلاق، اختبر النماذج على حزمة مهام ثابتة: prompt واحد، صلاحيات أدوات واحدة، طول سياق واحد، ومعيار نجاح واحد. قيمة الاختبارات المنشورة أنها تخبرك من تختبر أولاً؛ أما القرار النهائي فيجب أن يصدر من واقع منتجك، وتكلفة الخطأ، وتكلفة الـtoken معاً.