GPT-5.5, Claude Opus 4.7, DeepSeek V4 y Kimi K2.6: comparativa de benchmarks, costes y uso

Por qué no basta con mirar un ranking

No hay, en las fuentes públicas usadas aquí, una comparativa completa de los cuatro modelos hecha por el mismo evaluador, en la misma fecha, con el mismo presupuesto de razonamiento y las mismas herramientas activadas. Los datos vienen de páginas de fabricantes, rankings de terceros, documentación API, agregadores, medios especializados y pruebas personales; todos aportan señales, pero no siempre miden lo mismo.

Esto importa mucho. Artificial Analysis distingue GPT-5.5 xHigh, GPT-5.5 High y Claude Opus 4.7 con Adaptive Reasoning Max Effort; la documentación de OpenAI también lista distintos niveles de reasoning effort para GPT-5.5, desde none hasta xhigh. En la práctica, un modelo que lidera una tabla puede no liderar en tus prompts, con tus herramientas, tu límite de latencia y tu proceso de revisión.

Benchmarks públicos: qué números sirven como orientación

GPT-5.5: la opción fuerte por defecto para trabajo complejo

OpenAI indica que GPT-5.5 y GPT-5.5 Pro quedaron disponibles el 24 de abril de 2026; su documentación API describe gpt-5.5 como un modelo para programación y trabajo profesional, con ventana de contexto de 1 millón de tokens, salida máxima de 128K, llamadas a funciones, búsqueda web, búsqueda en archivos y uso de ordenador.

En los datos públicos, su perfil es el de una base de alto rendimiento. Artificial Analysis le da 60 en xHigh y 59 en High, y VentureBeat recoge un 82,7 % en Terminal-Bench 2.0, por encima del 69,4 % de Claude Opus 4.7 y del 67,9 % de DeepSeek V4.

La pega principal es el coste. La documentación de OpenAI lista GPT-5.5 a $5 por millón de tokens de entrada y $30 por millón de tokens de salida; si tu caso genera informes largos, muchas vueltas de agente o respuestas extensas, la salida puede convertirse en el factor económico decisivo.

Dónde probarlo primero: agentes de programación, automatización con terminal, investigación con varias herramientas, flujos que combinen funciones, búsqueda web y búsqueda en archivos.

Claude Opus 4.7: fuerte en trabajo largo, análisis y disciplina documental

Claude Opus 4.7 está mejor posicionado cuando el trabajo exige sostener contexto, revisar pasos y mantener una salida ordenada. Anthropic afirma que Opus 4.7 empató en la mejor puntuación general de su benchmark interno de agentes de investigación, con 0,715, y que fue el modelo con comportamiento de contexto largo más consistente; en el módulo General Finance obtuvo 0,813, frente a 0,767 de Opus 4.6.

También aparece bien situado en Humanity’s Last Exam. En el resumen de VentureBeat, Claude Opus 4.7 obtiene 46,9 % sin herramientas, por encima del 41,4 % de GPT-5.5 y del 37,7 % de DeepSeek V4; con herramientas llega a 54,7 %, por encima de GPT-5.5 base, aunque por debajo de GPT-5.5 Pro.

Eso no significa que gane en todo. En Terminal-Bench 2.0, GPT-5.5 alcanza 82,7 %, muy por encima del 69,4 % de Claude Opus 4.7. Además, algunas cifras de terceros, como el 82,4 % de Opus 4.7 en SWE-bench Verified, no forman parte de una comparativa completa y homogénea de los cuatro modelos, por lo que no deben mezclarse sin más con SWE-Bench Pro u otras tablas.

Dónde probarlo primero: investigación con documentos largos, análisis financiero, tareas que requieran citar bases de datos o documentos, razonamiento en varios pasos y revisiones donde la disciplina de salida sea tan importante como la respuesta final.

DeepSeek V4: el candidato de coste, no el ganador absoluto

DeepSeek V4 destaca sobre todo por precio. Mashable resume su API en $1,74 por millón de tokens de entrada y $3,48 por millón de tokens de salida; en la misma comparación, GPT-5.5 aparece a $5/$30 y Claude Opus 4.7 a $5/$25.

En rendimiento, las fuentes públicas lo sitúan cerca de la frontera, pero no por delante en todos los frentes. En el resumen de VentureBeat, DeepSeek V4 obtiene 37,7 % en Humanity’s Last Exam sin herramientas y 48,2 % con herramientas, por debajo de GPT-5.5, GPT-5.5 Pro y Claude Opus 4.7; en Terminal-Bench 2.0, su 67,9 % se acerca al 69,4 % de Claude, pero queda lejos del 82,7 % de GPT-5.5.

La pregunta práctica no es si DeepSeek V4 sustituye a todos los modelos cerrados punteros. Es si, en tu flujo real, supera tu umbral de calidad y si su menor precio compensa reintentos, revisión humana, latencia y posibles fallos.

Dónde probarlo primero: procesamiento por lotes, alto volumen de inferencia, productos con margen ajustado, tareas donde puedas aceptar una revisión adicional a cambio de reducir de forma importante el coste por token.

Kimi K2.6: pesos abiertos, contexto largo y multimodalidad

Kimi K2.6 es especialmente interesante para equipos que valoran los pesos abiertos y el control de despliegue. Artificial Analysis lo llama el nuevo modelo líder de pesos abiertos y señala que admite entrada de imagen y vídeo con salida de texto, además de una ventana máxima de contexto de 256K.

OpenRouter lista para Kimi K2.6 un Artificial Analysis Intelligence de 53,9, Coding de 47,1 y Agentic de 66,0; también muestra máximo de 256K tokens y salida máxima de 66K. En BrowseComp, DocsBot recoge 83,2 % para Kimi K2.6 y 84,4 % para GPT-5.5, una diferencia pequeña dentro de esa fuente.

La cautela es importante: varias comparativas de Kimi K2.6 lo enfrentan sobre todo a GPT-5.4 o Claude Opus 4.6, no a GPT-5.5, Claude Opus 4.7 y DeepSeek V4 dentro de una prueba única y homogénea. Eso no le resta interés, pero sí obliga a validarlo en tus propios casos.

Dónde probarlo primero: proyectos que necesiten pesos abiertos, mayor autonomía de despliegue, contexto largo, entradas visuales o de vídeo, y un equilibrio entre coste, control y capacidad de agente.

Coste, contexto y despliegue: la tabla que decide muchos proyectos

El precio de la API no es el coste total. En flujos con muchas herramientas o procesos largos, la propia guía de OpenAI recomienda comparar precisión, consumo de tokens y latencia de extremo a extremo; la documentación también muestra que GPT-5.5 permite ajustar el esfuerzo de razonamiento entre none, low, medium, high y xhigh.

Cómo llevar la comparativa a producción

Los benchmarks públicos sirven para reducir la lista de candidatos, no para firmar la compra. Una evaluación sensata debería registrar, como mínimo, tasa de éxito, tipo de fallo, latencia total, tokens consumidos, reintentos y coste de revisión. OpenAI recomienda explícitamente comparar modelos en precisión, consumo de tokens y latencia de extremo a extremo para flujos largos o intensivos en herramientas.

Las pruebas personales pueden ser útiles como señal, pero no como ranking universal. En una prueba de programación publicada por AkitaOnRails en abril de 2026, Claude Opus 4.7 obtuvo 97 puntos, GPT-5.5 xHigh Codex 96, Kimi K2.6 87 y DeepSeek V4 Pro 69; la misma tabla estimó costes aproximados de $1,10 para Claude Opus 4.7, $10 para GPT-5.5 xHigh Codex, $0,30 para Kimi K2.6 y $0,50 para DeepSeek V4 Pro.

La lección es clara: el modelo ganador depende del repositorio, las herramientas permitidas, los prompts, el nivel de revisión y el coste de repetir intentos. Un punto más en un benchmark puede valer poco si en tu caso real implica el triple de tokens o una latencia inaceptable.

Recomendación final

Si solo puedes empezar evaluando uno, empieza por GPT-5.5. Es el candidato más sólido como base general por su posición en Artificial Analysis y por su ventaja en Terminal-Bench 2.0.

Si tu carga se parece más a investigación documental, análisis financiero, razonamiento de varios pasos o generación de respuestas con mucha disciplina de datos, incluye Claude Opus 4.7 en la primera ronda. Los datos de Anthropic y de VentureBeat respaldan su competitividad en esos terrenos.

Si tu restricción principal es el presupuesto por llamada o el volumen, DeepSeek V4 debería entrar pronto en la prueba de coste-calidad. Los precios públicos citados lo colocan muy por debajo de GPT-5.5 y Claude Opus 4.7.

Si necesitas pesos abiertos, entrada de imagen o vídeo, o contexto de 256K, Kimi K2.6 es uno de los candidatos más relevantes de las fuentes disponibles; eso sí, todavía falta una comparativa completa y homogénea frente a GPT-5.5, Claude Opus 4.7 y DeepSeek V4.

La conclusión más segura: usa los benchmarks para decidir por dónde empezar, pero deja que tus tareas reales decidan qué modelo llega a producción.