GPT-5.5 مقابل Claude Opus 4.7 وKimi K2.6 وDeepSeek V4: قراءة عملية للمعايير

الطريقة الأصح لقراءة هذه المقارنة ليست البحث عن بطل مطلق، بل اختيار النموذج حسب نوع المهمة. الأرقام المتاحة تقول إن Claude Opus 4.7 أقوى في بعض اختبارات التفكير دون أدوات، وGPT-5.5 أو GPT-5.5 Pro يتقدمان في مهام أخرى، بينما يحتاج Kimi K2.6 وDeepSeek V4 إلى قراءة أكثر حذراً بسبب اختلاف مصادر الأرقام والنسخ المقارنة .

هناك ملاحظة مهمة قبل الجدول: المقارنة الأكثر اتساقاً تشمل GPT-5.5 وGPT-5.5 Pro وClaude Opus 4.7 وDeepSeek-V4-Pro-Max، أما Kimi K2.6 فتأتي أرقامه من بطاقة النموذج على Hugging Face وملف تقييم منفصل، لذلك لا يصح اعتباره جزءاً من تشغيل اختباري موحد مع البقية . كذلك يظهر DeepSeek في الجدول العام باسم DeepSeek-V4-Pro-Max، بينما رقم SWE-Bench Verified في مصدر آخر يخص DeepSeek V4-Pro لا Pro-Max .

الخلاصة السريعة حسب الاستخدام

• للتفكير المعقد من دون أدوات: ابدأ باختبار Claude Opus 4.7؛ فهو يتصدر GPQA Diamond وHumanity’s Last Exam بلا أدوات في الجدول المشترك .
• لمهام الوكلاء داخل الطرفية: GPT-5.5 هو الأوضح تفوقاً في Terminal-Bench 2.0 بنتيجة 82.7% مقابل 69.4% لـ Claude Opus 4.7 و67.9% لـ DeepSeek-V4-Pro-Max .
• للتفكير مع أدوات أو تصفح: GPT-5.5 Pro يتصدر في الصفوف التي ظهرت له: 57.2% في HLE مع الأدوات و90.1% في BrowseComp .
• للتجارب البرمجية مع أوزان متاحة: Kimi K2.6 يستحق اختباراً مستقلاً؛ بطاقة النموذج تذكر 80.2 على SWE-Bench Verified و58.6 على SWE-Bench Pro و66.7 على Terminal-Bench 2.0 . كما يذكر مصدر آخر أن أوزانه متاحة على Hugging Face ويمكن تشغيله عبر vLLM أو SGLang أو KTransformers .
• عندما تكون الكلفة أهم من المركز الأول: DeepSeek V4 لا يتصدر صفوف الجدول المذكورة، لكن المصادر تذكر سعراً قدره $1.74 لكل مليون رمز إدخال و$3.48 لكل مليون رمز إخراج، مقابل $5/$30 لـ GPT-5.5 و$5/$25 لـ Claude Opus 4.7 .

جدول النتائج المتاحة

الاختبار	GPT-5.5	GPT-5.5 Pro	Claude Opus 4.7	DeepSeek V4	Kimi K2.6	المتصدر حسب البيانات المتاحة
GPQA Diamond	93.6%	غير متاح	94.2%	90.1% لـ DeepSeek-V4-Pro-Max	غير متاح	Claude Opus 4.7
Humanity’s Last Exam بلا أدوات	41.4%	43.1%	46.9%	37.7% لـ DeepSeek-V4-Pro-Max	غير متاح	Claude Opus 4.7
Humanity’s Last Exam مع أدوات	52.2%	57.2%	54.7%	48.2% لـ DeepSeek-V4-Pro-Max	غير متاح	GPT-5.5 Pro
Terminal-Bench 2.0	82.7%	غير متاح	69.4%	67.9% لـ DeepSeek-V4-Pro-Max	66.7	GPT-5.5
SWE-Bench Pro / SWE Pro	58.6%	غير متاح	64.3%	55.4% لـ DeepSeek-V4-Pro-Max	58.6	Claude Opus 4.7
BrowseComp	84.4%	90.1%	79.3%	83.4% لـ DeepSeek-V4-Pro-Max	غير متاح	GPT-5.5 Pro
MCP Atlas / MCPAtlas Public	75.3%	غير متاح	79.1%	73.6% لـ DeepSeek-V4-Pro-Max	غير متاح	Claude Opus 4.7
SWE-Bench Verified	غير متاح	غير متاح	87.6% في مقارنة منفصلة	80.6% لـ DeepSeek V4-Pro لا Pro-Max	80.2	لا يوجد صف موحد لكل النماذج

كلمة غير متاح هنا تعني أن الرقم لم يرد في المصدر المقارن، لا أن النموذج حصل على صفر.

التفكير والاستدلال: Claude بلا أدوات، وGPT-5.5 Pro مع الأدوات

في GPQA Diamond، الفارق بين Claude Opus 4.7 وGPT-5.5 صغير: 94.2% مقابل 93.6%، بينما يحصل DeepSeek-V4-Pro-Max على 90.1% . لكن في Humanity’s Last Exam بلا أدوات يتسع الفارق لمصلحة Claude: 46.9% مقابل 41.4% لـ GPT-5.5 و43.1% لـ GPT-5.5 Pro و37.7% لـ DeepSeek-V4-Pro-Max .

الصورة تتغير عندما يسمح الاختبار باستخدام الأدوات. في Humanity’s Last Exam مع الأدوات، يسجل GPT-5.5 Pro نسبة 57.2%، يليه Claude Opus 4.7 بنسبة 54.7%، ثم GPT-5.5 بنسبة 52.2%، وDeepSeek-V4-Pro-Max بنسبة 48.2% . لذلك فالاستنتاج العملي هو: Claude أفضل مرشح أول للتفكير الصرف بلا أدوات، أما GPT-5.5 Pro فيبدو أقوى عندما تدخل الأدوات ضمن سير العمل .

البرمجة والمهام الوكيلة: أكبر قفزة لصالح GPT-5.5 في Terminal-Bench

أوضح تفوق رقمي في هذه المجموعة يظهر في Terminal-Bench 2.0: يحصل GPT-5.5 على 82.7%، مقابل 69.4% لـ Claude Opus 4.7 و67.9% لـ DeepSeek-V4-Pro-Max . وبالنسبة إلى Kimi K2.6، تذكر بطاقة النموذج نتيجة 66.7 على Terminal-Bench 2.0، كما يعرض LLM Stats رقماً مكافئاً قدره 0.667 لـ Kimi K2.6 و0.694 لـ Claude Opus 4.7 . هذا يضع Kimi قريباً من Claude وDeepSeek في هذا المقياس، لكنه لا يقترب من نتيجة GPT-5.5 في الجدول العام .

في SWE-Bench Pro / SWE Pro تتغير الصدارة: Claude Opus 4.7 يسجل 64.3%، ثم GPT-5.5 بنسبة 58.6%، ثم DeepSeek-V4-Pro-Max بنسبة 55.4% . أما Kimi K2.6 فتذكر بطاقة Hugging Face له 58.6 على SWE-Bench Pro، لكن هذا الرقم لا يأتي من التشغيل المقارن نفسه الذي جاءت منه أرقام GPT-5.5 وClaude وDeepSeek .

أما SWE-Bench Verified فلا ينبغي تحويله إلى ترتيب عام لكل النماذج الأربعة. لدى Kimi K2.6 رقم 80.2 في بطاقة النموذج وملف التقييم . وفي مصدر منفصل عن DeepSeek V4، ترد نتيجة 87.6% لـ Claude Opus 4.7 و80.6% لـ DeepSeek V4-Pro، لكن المصدر لا يقدم صفاً كاملاً لـ GPT-5.5، كما أن نسخة DeepSeek هنا هي V4-Pro لا V4-Pro-Max .

قراءة كل نموذج على حدة

GPT-5.5 وGPT-5.5 Pro

أقوى نقطة ظاهرة لـ GPT-5.5 هي Terminal-Bench 2.0، حيث يسجل 82.7% ويتصدر هذا الصف في الجدول المشترك . أما GPT-5.5 Pro فلا يظهر في كل الاختبارات، لكنه يتصدر حيثما وُجدت له أرقام بارزة: 57.2% في HLE مع الأدوات و90.1% في BrowseComp .

بصيغة عملية: إن كانت المهمة تتضمن تشغيل أوامر، إصلاحات متتابعة، أو عملاً وكيلياً داخل بيئة طرفية، فـ GPT-5.5 يستحق أن يكون أول نموذج تختبره. وإن كانت المهمة تعتمد على أدوات خارجية أو تصفح، فـ GPT-5.5 Pro يبدو أوفر حظاً بحسب الصفوف المتاحة .

Claude Opus 4.7

Claude Opus 4.7 يتصدر عدة صفوف في الجدول العام: 94.2% في GPQA Diamond، و46.9% في HLE بلا أدوات، و64.3% في SWE-Bench Pro / SWE Pro، و79.1% في MCP Atlas / MCPAtlas Public . لكنه يتراجع خلف GPT-5.5 في Terminal-Bench 2.0، وخلف GPT-5.5 Pro في HLE مع الأدوات وBrowseComp .

لذلك يبدو Claude Opus 4.7 خياراً قوياً كبداية عندما تكون المهمة أقرب إلى تفكير عميق بلا أدوات، أو إلى برمجة شبيهة بمهام SWE-Bench Pro .

Kimi K2.6

Kimi K2.6 لا يمكن ترتيبه بدقة أمام النماذج الأخرى اعتماداً على تشغيل موحد، لأن أرقامه هنا تأتي من بطاقة Hugging Face وملف تقييم منفصل . لكن صورته كمرشح برمجي قوية: البطاقة تذكر 80.2 على SWE-Bench Verified، و58.6 على SWE-Bench Pro، و76.7 على SWE-Bench Multilingual، و66.7 على Terminal-Bench 2.0، و73.1 على OSWorld-Verified .

ما يجعل Kimi مثيراً للاهتمام ليس النتيجة وحدها، بل طريقة التشغيل أيضاً. فمصدر آخر يذكر أن الأوزان متاحة على Hugging Face وأن النموذج يمكن تشغيله عبر vLLM أو SGLang أو KTransformers . هذا لا يجعله فائزاً عاماً في جدول المقارنة، لكنه يجعله مرشحاً مهماً للفرق التي تريد تجارب استضافة ذاتية أو اختبارات محلية قبل اتخاذ قرار نهائي .

DeepSeek V4

في الجدول المشترك يظهر DeepSeek تحديداً كنسخة DeepSeek-V4-Pro-Max . في الصفوف المذكورة لا يحتل المركز الأول: 90.1% في GPQA Diamond، و37.7% في HLE بلا أدوات، و48.2% في HLE مع الأدوات، و67.9% في Terminal-Bench 2.0، و55.4% في SWE-Bench Pro / SWE Pro، و83.4% في BrowseComp، و73.6% في MCP Atlas / MCPAtlas Public .

نقطة DeepSeek V4 الأقوى في هذه المقارنة ليست الصدارة المطلقة، بل معادلة السعر مقابل الأداء. Mashable وDataCamp يذكران أسعار API عند $1.74 لكل مليون رمز إدخال و$3.48 لكل مليون رمز إخراج، مقارنة بـ $5/$30 لـ GPT-5.5 و$5/$25 لـ Claude Opus 4.7 . إذا كانت الميزانية عاملاً حاسماً، فمن المنطقي إدخال DeepSeek V4 في اختباراتك الداخلية، لكن ليس من الدقيق وصفه بأنه قائد هذه المعايير .

أهم قيود المقارنة

1. لا يوجد تشغيل موحد لكل النماذج في كل الاختبارات. الجدول المشترك يغطي GPT-5.5 وGPT-5.5 Pro وClaude Opus 4.7 وDeepSeek-V4-Pro-Max، بينما أرقام Kimi K2.6 تأتي من مصادر منفصلة .
2. اسم DeepSeek V4 يشير إلى نسخ مختلفة في المصادر. الجدول العام يستخدم DeepSeek-V4-Pro-Max، في حين أن رقم SWE-Bench Verified المنفصل يخص DeepSeek V4-Pro .
3. GPT-5.5 Pro غير موجود في كل الصفوف. لذلك لا يمكن افتراض أنه سيتصدر تلقائياً في الاختبارات التي لا يظهر فيها رقم له .
4. Kimi K2.6 يحتاج إلى تقييم داخلي إذا كان قرارك إنتاجياً. أرقام Hugging Face مفيدة، لكنها ليست من الجدول المقارن نفسه الذي يضم GPT-5.5 وClaude Opus 4.7 وDeepSeek-V4-Pro-Max .

الحكم النهائي

إذا التزمنا بالصفوف المشتركة فقط، فالصورة واضحة: Claude Opus 4.7 يتصدر GPQA Diamond وHumanity’s Last Exam بلا أدوات وSWE-Bench Pro وMCP Atlas؛ GPT-5.5 يتصدر Terminal-Bench 2.0؛ وGPT-5.5 Pro يتصدر HLE مع الأدوات وBrowseComp . Kimi K2.6 يبدو مرشحاً قوياً للبرمجة، خصوصاً مع أوزان متاحة ونتائج جيدة في SWE-Bench، لكنه لا يدخل في ترتيب مباشر عادل من دون تشغيل موحد . أما DeepSeek V4 فليس قائد المعايير هنا، لكنه يستحق الاختبار في السيناريوهات الحساسة للكلفة بسبب أسعار API المنشورة الأقل .