مقارنة GPT-5.5 وClaude Opus 4.7 وKimi K2.6 وDeepSeek V4 في الاختبارات المعيارية

أين تظهر الفروق المهمة؟

SWE-Bench Pro: أفضلية واضحة لـClaude Opus 4.7 على GPT-5.5

في جدول OpenAI، يسجل Claude Opus 4.7 نتيجة 64.3٪ في SWE-Bench Pro، مقابل 58.6٪ لـGPT-5.5. هذه من أنظف المقارنات في المقال، لأن الرقمين موجودان في الجدول نفسه وبالاختبار نفسه.

تذكر مقالة Kilo AI أن Kimi K2.6 حقق 58.6٪ في SWE-Bench Pro، وهي نتيجة تبدو قريبة من GPT-5.5. لكنها لا تظهر هنا في جدول رسمي واحد يجمع Kimi مع GPT-5.5 وClaude Opus 4.7، لذلك تصلح كمؤشر أولي لا كحكم نهائي.

Terminal-Bench 2.0: GPT-5.5 يتقدم على Claude Opus 4.7

في Terminal-Bench 2.0، يعكس جدول OpenAI صورة مختلفة: GPT-5.5 يسجل 82.7٪، بينما يسجل Claude Opus 4.7 نتيجة 69.4٪. لذلك، إذا كان استخدامك أقرب إلى وكيل برمجي يعمل داخل الطرفية، وينفذ أوامر ويتعامل مع سير عمل قائم على سطر الأوامر، فمن المنطقي أن تضع GPT-5.5 في أول قائمة الاختبار.

لكن لا توجد في المصادر المتاحة هنا درجات قابلة للاقتباس لـKimi K2.6 أو DeepSeek V4 في Terminal-Bench 2.0، ولهذا لا يمكن ترتيب النماذج الأربعة في هذا الاختبار.

SWE-Bench Verified: Claude أعلى من Kimi، لكن المقارنة ليست بالصرامة نفسها

تظهر نتيجة Claude Opus 4.7 في SWE-Bench Verified عند 87.6٪ في مراجعات وتلخيصات خارجية؛ وتذكر Verdent أن الرقم Anthropic-conducted مع تطبيق memorization screens. أما Kimi K2.6 فتذكر مقالة Kilo AI أنه سجل 80.2٪ في SWE-Bench Verified.

الرقمان مفيدان كإشارة، لكنهما لا يملكان قوة المقارنة نفسها التي نراها في جدول OpenAI المشترك لـSWE-Bench Pro وTerminal-Bench 2.0.

Expert-SWE: رقم لافت، لكنه لا يصلح كعمود للترتيب العام

يسجل GPT-5.5 نتيجة 73.1٪ في Expert-SWE، لكن OpenAI تصنف هذا الاختبار بوصفه internal eval، وتضيف أن مختبرات أخرى لاحظت evidence of memorization عليه. لذلك يمكن النظر إليه كإشارة داخلية من OpenAI، لا كمعيار مستقل نرتب به النماذج الأربعة.

كيف تختار النموذج حسب المهمة؟

إذا كانت حالتك تشبه إصلاح مشكلات GitHub أو التعامل مع عيوب برمجية متعددة الملفات، فابدأ باختبار Claude Opus 4.7. في SWE-Bench Pro، يتقدم Claude Opus 4.7 على GPT-5.5 بنتيجة 64.3٪ مقابل 58.6٪. كما تضع Vellum هذه المقارنة في سياق حل مشكلات GitHub الواقعية.

إذا كان السيناريو أقرب إلى وكيل برمجي يعمل عبر الطرفية، فضع GPT-5.5 في مقدمة التجربة. نتيجة 82.7٪ في Terminal-Bench 2.0 أعلى بوضوح من 69.4٪ لـClaude Opus 4.7. هذا لا يعني أنه الأفضل في كل مهام البرمجة، لكنه يعني أنه أقوى في هذا الاختبار تحديدًا.

إذا كنت تبحث عن نموذج مفتوح ضمن القائمة الأولية، فـKimi K2.6 يستحق التجربة. صفحة Hugging Face تصفه بأنه open-source وnative multimodal agentic model، ومقالة Kilo AI تنسب إليه 58.6٪ في SWE-Bench Pro و80.2٪ في SWE-Bench Verified. لكن الأفضل ألا تعتمد هذه الأرقام وحدها؛ أعد الاختبار على مستودعاتك ولغات البرمجة وأدواتك الفعلية.

أما DeepSeek V4، فالموقف الأكثر أمانًا هو الانتظار أو إعادة القياس داخليًا. بما أن المصادر المتاحة هنا لا تقدم درجات قابلة للتحقق، فإدخاله في جدول ترتيب رقمي سيعطي انطباعًا زائفًا بالدقة.

لماذا لا نعلن فائزًا واحدًا؟

اختبارات النماذج اللغوية الكبيرة تصبح مضللة عندما نخلط أرقامًا من مصادر مختلفة وبيئات تشغيل مختلفة ومهام مختلفة. لذلك من الأفضل قراءة الأدلة على ثلاث طبقات:

1. اختبارات مشتركة في الجدول نفسه: مثل مقارنة GPT-5.5 وClaude Opus 4.7 في SWE-Bench Pro وTerminal-Bench 2.0 داخل جدول OpenAI. هذه أقوى نقطة مقارنة هنا.
2. تلخيصات طرف ثالث لتقييمات شركة أو شريك: مثل SWE-Bench Verified وCursorBench لـClaude Opus 4.7. مفيدة، لكنها تحتاج إلى الانتباه إلى مصدرها وطريقة تشغيلها.
3. أرقام بلا تقاطع كافٍ أو بيانات ناقصة: مثل درجات Kimi K2.6 التي تظهر هنا عبر مقالة طرف ثالث، أو DeepSeek V4 الذي لا تتوافر له أرقام قابلة للتحقق في المصادر المتاحة.

الخلاصة العملية: Claude Opus 4.7 يتقدم في SWE-Bench Pro، وGPT-5.5 يتقدم في Terminal-Bench 2.0؛ Kimi K2.6 يبدو منافسًا في اختبارات SWE-Bench لكن قوة الدليل أقل، وDeepSeek V4 يجب اعتباره حالة بيانات غير كافية حاليًا.

بعد استخدام هذا الجدول لصنع قائمة أولية، الخطوة الأهم هي إعادة الاختبار على مهامك أنت: نوع المستودعات، لغات البرمجة، بيئة الاختبار، استدعاء الأدوات، زمن الاستجابة، التكلفة، وطريقة تعافي النموذج من الفشل. هذه النتائج ستكون أقرب إلى واقع المنتج من أي ترتيب عام للنماذج الأربعة.