Los benchmarks públicos actuales no justifican una conclusión simple del tipo GPT-5.5 es mejor que Claude Opus 4.7, ni la contraria. La señal más útil aparece al separar por carga de trabajo: GPT-5.5 sale mejor parado en terminal, browsing y varios flujos agentivos; Claude Opus 4.7 destaca más en SWE-Bench Pro, MCP Atlas y algunas pruebas de razonamiento o uso de herramientas según las tablas comparativas disponibles [5][
6][
11].
Conviene leer estos números con cautela. Varias cifras proceden de comunicados de proveedor o de agregadores, y LLM Stats advierte que algunos resultados de GPT-5.5 pueden ser autoinformados y no estar verificados de forma independiente [8]. En la práctica, estos benchmarks sirven para decidir qué modelos pasan a la siguiente ronda de pruebas, no para cerrar una decisión de producto.
La lectura rápida: no mires solo el total
| Benchmark | GPT-5.5 | Claude Opus 4.7 | Cómo interpretarlo |
|---|---|---|---|
| Terminal-Bench 2.0 | 82,7% | 69,4% | Ventaja clara para GPT-5.5 en flujos de línea de comandos. OpenAI lo describe como una prueba de tareas complejas de terminal que requieren planificación, iteración y coordinación de herramientas [ |
| SWE-Bench Pro | 58,6% | 64,3% | Claude Opus 4.7 lidera en resolución de issues reales de GitHub; OpenAI también informa que GPT-5.5 alcanza 58,6% en esta prueba [ |
| GPQA Diamond | 93,6% | 94,2% | Claude queda por delante, pero por solo 0,6 puntos porcentuales; no basta para decidir todos los casos de razonamiento [ |
| BrowseComp | 84,4% | 79,3% | GPT-5.5 lidera tanto en la tabla de Vellum como en la comparación de Mashable [ |
| GDPval | 84,9% | 80,3% | GPT-5.5 aparece por delante en la tabla de Vellum [ |
| OSWorld-Verified | 78,7% | 78,0% | Diferencia mínima a favor de GPT-5.5; merece validación en flujos reales [ |
| MCP Atlas | 75,3% | 79,1% | Claude Opus 4.7 lidera en esta prueba de orquestación de herramientas según Vellum [ |
| FrontierMath T1–3 | 51,7% | 43,8% | GPT-5.5 lidera en la tabla de Vellum [ |
| FinanceAgent v1.1 | Sin par completo comparable en las fuentes usadas | 64,4% en DataCamp | LLM Stats coloca a Claude por delante en FinanceAgent v1.1, pero falta una pareja de cifras completa en las fuentes citadas aquí [ |
| Humanity’s Last Exam | Datos no consistentes entre fuentes | Datos no consistentes entre fuentes | No debería usarse como desempate sin controlar el mismo setup de ejecución: LLM Stats, Mashable y o-mega ofrecen señales distintas [ |
Si se agregan los resultados como hace LLM Stats, Claude Opus 4.7 lidera 6 de los 10 benchmarks que ambos proveedores reportan, mientras GPT-5.5 lidera 4. La misma fuente resume que las ventajas de Claude se concentran en pruebas de razonamiento pesado y revisión de calidad, mientras las de GPT-5.5 aparecen en uso prolongado de herramientas y tareas guiadas por shell [6]. Ese resumen es útil, pero no resuelve los casos con datos contradictorios, como Humanity’s Last Exam [
6][
9][
11].
Coding: Terminal-Bench y SWE-Bench no miden lo mismo
Para un agente de programación que vive en la terminal —ejecuta tests, lee errores, modifica archivos y vuelve a intentarlo— GPT-5.5 es el candidato que primero conviene probar. En Terminal-Bench 2.0 obtiene 82,7%, frente al 69,4% de Claude Opus 4.7 en las tablas comparativas disponibles [5][
11]. Además, OpenAI describe esa prueba como un benchmark de flujos complejos de línea de comandos con planificación, iteración y coordinación de herramientas [
23].
La historia cambia si el trabajo se parece más a corregir bugs o resolver issues dentro de repositorios reales. En SWE-Bench Pro, Claude Opus 4.7 lidera con 64,3% frente al 58,6% de GPT-5.5 [5][
11]. OpenAI define SWE-Bench Pro como una evaluación de resolución de issues reales de GitHub [
23]. Para tareas de mantenimiento de código, cambios en repositorios existentes o revisiones exigentes, Claude debería entrar en la shortlist desde el principio.
SWE-Bench Verified, en cambio, no ofrece una señal suficientemente limpia en este conjunto de fuentes. MindStudio atribuye a Claude Opus 4.7 un 82,4%, mientras APIyi y DataCamp publican 87,6%; las fuentes incluidas no dan una pareja estable GPT-5.5 vs Claude Opus 4.7 para esa misma fila [1][
2][
3].
Agentes y automatización: ventaja inicial de GPT-5.5, pero no en todo
En flujos con agentes, GPT-5.5 muestra varias señales fuertes. En la tabla de Vellum lidera BrowseComp con 84,4% frente a 79,3%, GDPval con 84,9% frente a 80,3% y OSWorld-Verified con 78,7% frente a 78,0% [5]. Mashable también recoge la ventaja de GPT-5.5 en BrowseComp con la misma pareja de puntuaciones [
11]. LLM Stats añade que GPT-5.5 lidera CyberGym, aunque el fragmento disponible no muestra los porcentajes [
6].
Claude Opus 4.7 conserva zonas de ventaja. Vellum lo sitúa por delante en MCP Atlas, con 79,1% frente al 75,3% de GPT-5.5 [5]. LLM Stats también lo coloca por delante en FinanceAgent v1.1, y DataCamp informa que Claude Opus 4.7 alcanza 64,4% en esa prueba [
3][
6]. Anthropic, por su parte, presenta Claude Opus 4.7 como una versión Opus más fuerte en coding, agentes, visión y tareas de varios pasos [
28].
La traducción práctica es sencilla: si tu flujo se basa en shell, navegación, automatización de sistema operativo o tareas largas con herramientas, GPT-5.5 parte con ventaja. Si el flujo depende de orquestación estructurada, MCP o escenarios financieros, Claude Opus 4.7 merece una evaluación directa antes de descartarlo.
Razonamiento: GPQA está muy igualado y HLE no desempata
En GPQA Diamond, Claude Opus 4.7 marca 94,2% y GPT-5.5 93,6% en las comparativas disponibles [5][
11]. Es una ventaja para Claude, pero la diferencia es de solo 0,6 puntos porcentuales. Para preguntas científicas, análisis experto o razonamiento largo, lo razonable es ejecutar ambos modelos sobre tus propios casos de prueba.
Humanity’s Last Exam es el punto más delicado. LLM Stats afirma que Claude Opus 4.7 lidera tanto HLE sin herramientas como HLE con herramientas [6]. Mashable, en cambio, da 40,6% para GPT-5.5 frente a 31,2% para Opus 4.7 en HLE sin herramientas, y 54,7% para Claude frente a 52,2% para GPT-5.5 en HLE con herramientas [
11]. o-mega aporta además otra serie de cifras de HLE [
9]. Con señales así de dispares, HLE no debería ser el criterio de desempate salvo que puedas repetir la prueba bajo las mismas condiciones.
Entonces, ¿cuál deberías probar primero?
Prueba antes GPT-5.5 si tu prioridad es un agente que trabaje en terminal, ejecute comandos, corra tests, depure errores y complete bucles largos de automatización. Terminal-Bench 2.0 inclina claramente la balanza hacia GPT-5.5 para ese perfil [5][
11][
23]. También es una opción fuerte para flujos de browsing o búsqueda; y, según Vellum, para GDPval, OSWorld-Verified y FrontierMath T1–3 [
5][
11].
Prueba antes Claude Opus 4.7 si tu prioridad es resolver issues de software al estilo SWE-Bench Pro, donde Claude supera a GPT-5.5 [5][
11]. También conviene incluirlo en la lista corta para razonamiento científico tipo GPQA, orquestación de herramientas tipo MCP y flujos financieros, de acuerdo con GPQA Diamond, MCP Atlas, FinanceAgent v1.1 y el resumen de LLM Stats [
3][
5][
6][
11].
La forma más segura de decidir no es elegir desde un leaderboard. Divide tu carga de trabajo en cuatro grupos: código dentro de repositorios, automatización de terminal o agentes, razonamiento sin herramientas y flujos con herramientas. En cada grupo, usa los mismos prompts, los mismos permisos de herramientas, la misma configuración de muestreo, el mismo nivel de esfuerzo de razonamiento y la misma rúbrica de evaluación. Los benchmarks públicos dicen por dónde empezar; tus evaluaciones internas dicen qué modelo merece llegar a producción, especialmente cuando algunas cifras pueden ser autoinformadas o no estar verificadas de forma independiente [8].
