Con los benchmarks públicos disponibles, esta no es una carrera con una foto de llegada clara. GPT-5.5 y Claude Opus 4.7 aparecen juntos en más tablas comparables; Kimi K2.6 combina cifras de ficha de modelo y de entornos de evaluación separados; y para DeepSeek V4 faltan valores comunes en varios benchmarks de programación usados aquí ^[1][2][5][6].

La lectura útil no es elegir el modelo más famoso, sino decidir cuál probar primero para cada trabajo real: terminal, reparación de código, navegación web, contexto multimodal o llamadas masivas de API.

La respuesta rápida

• Agentes de terminal y línea de comandos: GPT-5.5 es el candidato inicial. OpenAI reporta 82,7 % en Terminal-Bench 2.0; las tablas públicas citan 69,4 % para Claude Opus 4.7 y 66,7 % para Kimi K2.6 ^{[19][8][13][6]}.
• Reparación de código e issues reales de GitHub: Claude Opus 4.7 parte mejor. Se reportan 64,3 % en SWE-Bench Pro y 87,6 % en SWE-Bench Verified, por encima del 58,6 % de GPT-5.5 en SWE-Bench Pro ^[27][19].
• Contextos largos con texto, imagen y vídeo: Kimi K2.6 merece entrar en la lista. Se presenta con soporte para entrada de texto, imagen y vídeo, además de una ruta de contexto de 256k ^[7].
• Procesamiento masivo con presupuesto ajustado: DeepSeek V4 llama la atención por precio. Mashable recoge una tarifa de API de US$ 1,74 por millón de tokens de entrada y US$ 3,48 por millón de tokens de salida, frente a US$ 5 y US$ 30 en GPT-5.5, y US$ 5 y US$ 25 en Claude Opus 4.7 ^[3].

Tabla comparativa de benchmarks

El símbolo — no significa que el modelo no pueda hacer esa tarea. Solo indica que, en las fuentes disponibles para esta comparación, no hay una cifra pública directamente alineada con ese benchmark.

Benchmark	GPT-5.5	Claude Opus 4.7	Kimi K2.6	DeepSeek V4	Cómo leerlo
Terminal-Bench 2.0	82,7 % [19]	69,4 % [8][13]	66,7 % [6]	—	Para flujos largos de terminal, GPT-5.5 tiene el valor público más alto.
SWE-Bench Pro	58,6 % [19]	64,3 % [27]	58,6 % [1][6]	—	En reparación de código e issues de GitHub, Claude Opus 4.7 va por delante.
SWE-Bench Verified	—	87,6 % [27]	80,2 % [1][6]	—	Con las fuentes disponibles, hay cifras claras para Claude y Kimi.
GPQA Diamond	93,6 % [8][13]	94,2 % [8][13]	—	—	GPT-5.5 y Claude están muy cerca; Claude aparece ligeramente arriba.
HLE con herramientas	52,2 % [8]	54,7 % [8][29]	54,0 % [6]	—	Claude y Kimi aparecen por encima, aunque la cifra de Kimi puede venir de otro entorno de evaluación [6].
BrowseComp	84,4 % [8][13]	79,3 % [8][13]	—	—	En navegación y búsqueda web, GPT-5.5 lidera en los valores publicados.
OSWorld-Verified	78,7 % [13]	78,0 % [13]	—	—	La diferencia entre GPT-5.5 y Claude Opus 4.7 es pequeña.
MCP Atlas	75,3 % [13]	79,1 % [13]	—	—	En evaluación de herramientas y MCP, Claude Opus 4.7 aparece por delante.

GPT-5.5: fuerte cuando el trabajo vive en la terminal

OpenAI presenta GPT-5.5 como su modelo más fuerte para agentes de programación. Según la compañía, Terminal-Bench 2.0 mide flujos complejos de línea de comandos que requieren planificación, iteración y coordinación de herramientas; en esa prueba GPT-5.5 alcanza 82,7 %. La misma publicación reporta 58,6 % en SWE-Bench Pro, un benchmark centrado en resolver issues reales de GitHub ^[19].

Eso lo convierte en una opción lógica para probar primero si el producto depende de sesiones largas de terminal: ejecutar scripts, reproducir fallos de CI, crear o modificar archivos, lanzar comandos en sandbox y corregir errores en varios pasos. La cautela está en no extrapolar demasiado: en SWE-Bench Pro, Claude Opus 4.7 aparece con 64,3 %, por encima del 58,6 % de GPT-5.5 ^[19][27].

Claude Opus 4.7: mejor punto de partida para reparar y revisar código

Claude Opus 4.7 muestra su mejor cara en tareas de reparación, revisión y resolución de problemas de código. DataCamp resume que fue evaluado en 14 benchmarks que cubren programación, razonamiento, uso de herramientas, uso de computadora y razonamiento visual; para código, reporta 64,3 % en SWE-Bench Pro y 87,6 % en SWE-Bench Verified ^[27].

En la comparación común con GPT-5.5, Claude también aparece por delante en GPQA Diamond, con 94,2 % frente a 93,6 %, y en MCP Atlas, con 79,1 % frente a 75,3 % ^[8][13]. En cambio, GPT-5.5 lidera en Terminal-Bench 2.0 y BrowseComp ^[8][13][19]. La conclusión práctica: Claude Opus 4.7 no gana todo, pero sí es el primer modelo que conviene probar cuando el objetivo es arreglar una base de código, revisar cambios o resolver incidencias reales de repositorios.

Kimi K2.6: contexto multimodal largo, con letra pequeña en los benchmarks

Kimi K2.6 aparece con 58,6 % en SWE-Bench Pro y 80,2 % en SWE-Bench Verified; otra guía lista 66,7 % en Terminal-Bench 2.0 y 54,0 % en HLE con herramientas ^[1][6]. El matiz es importante: esas cifras se atribuyen a la ficha oficial de Moonshot AI, y para SWE-Bench Pro se menciona un entorno interno de evaluación de Moonshot ^[6].

Por eso, aunque Kimi K2.6 y GPT-5.5 compartan el número 58,6 % en SWE-Bench Pro, no conviene tratarlo automáticamente como un empate bajo condiciones idénticas ^[1][6][19]. Donde Kimi sí tiene un ángulo claro es en entrada multimodal y contexto largo: se presenta con soporte para texto, imagen y vídeo, además de una ruta de contexto de 256k ^[7]. Si el producto necesita leer documentos extensos, capturas, imágenes o vídeo dentro de una misma sesión, Kimi K2.6 merece una prueba separada.

DeepSeek V4: precio atractivo, pero con controles de fiabilidad

DeepSeek V4 no encaja tan fácilmente en la misma tabla de Terminal-Bench, SWE-Bench Pro, SWE-Bench Verified o GPQA Diamond, al menos con las fuentes disponibles aquí. Lo que sí hay son señales útiles desde otros ángulos. Artificial Analysis reporta que DeepSeek V4 Pro Max logra -10 en AA-Omniscience, una mejora de 11 puntos frente a V3.2, mientras que V4 Flash Max marca -23. La misma fuente informa tasas de alucinación muy altas: 94 % para V4 Pro y 96 % para V4 Flash, con la interpretación de que, cuando no saben la respuesta, casi siempre responden de todos modos ^[2].

En arquitectura, DataCamp describe DeepSeek V4 como un modelo Mixture of Experts. La versión Pro tendría 1,6 billones de parámetros totales y 49.000 millones activos; la versión Flash, 284.000 millones totales y 13.000 millones activos ^[4]. En precio, la ventaja es más visible: Mashable recoge US$ 1,74 por millón de tokens de entrada y US$ 3,48 por millón de tokens de salida para DeepSeek V4, por debajo de GPT-5.5 y Claude Opus 4.7 en esa comparación ^[3].

La lectura práctica es clara: DeepSeek V4 puede ser candidato para procesos de alto volumen, tareas donde el costo manda y flujos internos con verificación automática. Pero si la exactitud es crítica, conviene añadir evaluación propia, posprocesado, detección de fallos y límites de uso, especialmente por las tasas de alucinación reportadas ^[2][3][4].

Guía de elección por caso de uso

Caso de uso	Modelo que probaría primero	Motivo
Automatización larga de terminal, scripts, agentes de shell, reproducción de CI	GPT-5.5	Lidera Terminal-Bench 2.0 con 82,7 %, frente a 69,4 % de Claude Opus 4.7 y 66,7 % de Kimi K2.6 [19][8][13][6].
Resolución de issues reales de GitHub, reparación de código, tareas tipo SWE-Bench	Claude Opus 4.7	Reporta 64,3 % en SWE-Bench Pro y 87,6 % en SWE-Bench Verified [27].
Navegación web y búsqueda asistida	GPT-5.5	BrowseComp muestra 84,4 % para GPT-5.5 y 79,3 % para Claude Opus 4.7 [8][13].
Integración de herramientas, flujos MCP y tareas con tool calling	Claude Opus 4.7	En MCP Atlas, Claude Opus 4.7 aparece con 79,1 % frente a 75,3 % de GPT-5.5 [13].
Contextos largos con texto, imagen y vídeo	Kimi K2.6	Se presenta con entrada de texto, imagen y vídeo, y una ruta de contexto de 256k [7].
Llamadas masivas de API con presupuesto ajustado	DeepSeek V4	Su precio por tokens es menor en la comparación de Mashable, aunque debe ponderarse junto con las tasas de alucinación reportadas por Artificial Analysis [2][3].

Por qué un ranking único puede engañar

Primero, no todos los modelos están medidos en la misma cancha. GPT-5.5 y Claude Opus 4.7 tienen más benchmarks comunes, pero Kimi K2.6 combina cifras de ficha de modelo y de entornos propios, mientras que DeepSeek V4 no tiene suficientes filas directamente comparables en esta selección ^[1][2][5][6].

Segundo, el nombre del benchmark no garantiza una metodología idéntica. Un análisis de LLM Stats resume que las puntuaciones de GPT-5.5 y Claude Opus 4.7 son comparables en forma, pero no necesariamente en metodología ^[5]. Anthropic, por ejemplo, detalla que en Terminal-Bench 2.0 usó el harness Terminus-2, con pensamiento desactivado y condiciones específicas de recursos ^[31].

Tercero, una puntuación no equivale a calidad de producto. En una integración real importan la forma de fallar, la tasa de alucinación, la latencia, el costo, la estabilidad de las llamadas a herramientas, la seguridad y la reproducibilidad de logs. ExplainX advierte que las definiciones de leaderboard, los prompts y las políticas de herramientas pueden mover las puntuaciones, por lo que estos datos deben tratarse como una instantánea y no como sustituto de un entorno propio de evaluación ^[28].

Veredicto

Con la evidencia pública reunida, la estrategia más sensata es probar GPT-5.5 primero para agentes de terminal, Claude Opus 4.7 para reparación de código tipo SWE-Bench, Kimi K2.6 para contexto largo multimodal y DeepSeek V4 para cargas masivas sensibles al costo ^{[19][27][7][3]}.

Lo que no conviene hacer es coronar un campeón absoluto. Antes de mover un producto a cualquiera de estos modelos, lo prudente es replicar las condiciones reales: los mismos prompts, las mismas herramientas, el mismo presupuesto de razonamiento, los mismos criterios de fallo y una medición propia de costo y fiabilidad ^[5][28][31].