Los gráficos de benchmarks hacen que esta comparación parezca una carrera con una sola meta. No lo es. La comparación común más cercana en las fuentes citadas cubre GPT-5.5, GPT-5.5 Pro, Claude Opus 4.7 y DeepSeek-V4-Pro-Max; Kimi K2.6 aparece en fuentes separadas centradas en Kimi, su ficha de modelo y rankings ^[1][6][24]. Por eso, la pregunta útil no es tanto «¿cuál gana?» como «¿cuál debería probar primero para mi carga de trabajo?».

Una nota de nombres: aquí uso DeepSeek-V4-Pro-Max para hablar de DeepSeek V4, porque esa es la variante que aparece con filas de benchmark y coste en las fuentes citadas ^[18][24]. También separo GPT-5.5 Pro de GPT-5.5 base siempre que la fuente informa resultados distintos ^[24].

Veredicto rápido por tipo de trabajo

• Agentes de programación que viven en la terminal: GPT-5.5 tiene el mejor resultado citado en Terminal-Bench 2.0 dentro de la comparación compartida, con 82,7% ^[24].
• Reparación de software: Claude Opus 4.7 lidera la fila citada de SWE-Bench Pro con 64,3% y la de SWE-Bench Verified con 87,6% ^[18][24].
• Razonamiento difícil sin herramientas: Claude Opus 4.7 encabeza las filas compartidas de GPQA Diamond y Humanity’s Last Exam sin herramientas ^[24].
• Razonamiento con herramientas y navegación: GPT-5.5 Pro lidera Humanity’s Last Exam con herramientas con 57,2% y BrowseComp con 90,1%, allí donde se informa esa variante Pro ^[24].
• Despliegue con pesos abiertos: Kimi K2.6 es el candidato más claro en las fuentes citadas: se describe como un modelo MoE de 1 billón de parámetros, con 32.000 millones activos y ventana de contexto de 256K ^[1].
• Inferencia alojada sensible al precio: DeepSeek-V4-Pro-Max es el candidato de valor a validar: LLM Stats lo lista con contexto de 1 millón, 80,6% en SWE-Bench Verified y columnas de coste de $1.74/$3.48 ^[18].

Tabla comparativa de benchmarks

Un guion significa que no encontré esa puntuación en las fuentes citadas para ese modelo; no significa que el modelo haya obtenido cero. Las filas de GPT-5.5, GPT-5.5 Pro, Claude Opus 4.7 y DeepSeek-V4-Pro-Max proceden sobre todo de una comparación compartida; las cifras de Kimi K2.6 vienen de fuentes separadas sobre Kimi ^[1][6][24].

Benchmark	GPT-5.5	GPT-5.5 Pro	Claude Opus 4.7	Kimi K2.6	DeepSeek-V4-Pro-Max
GPQA Diamond	93,6% [24]	—	94,2% [24]	≈91% [28]	90,1% [24]
Humanity’s Last Exam, sin herramientas	41,4% [24]	43,1% [24]	46,9% [24]	—	37,7% [24]
Humanity’s Last Exam, con herramientas	52,2% [24]	57,2% [24]	54,7% [24]	54,0% [1]	48,2% [24]
Terminal-Bench 2.0	82,7% [24]	—	69,4% [24]	66,7% [6]	67,9% [24]
SWE-Bench Pro	58,6% [24]	—	64,3% [24]	58,6% [6]	55,4% [24]
BrowseComp	84,4% [24]	90,1% [24]	79,3% [24]	83,2% [1]	83,4% [24]
MCP Atlas / MCPAtlas Public	75,3% [24]	—	79,1% [24]	—	73,6% [24]
SWE-Bench Verified	—	—	87,6% [18]	80,2% [6]	80,6% [18]

Qué modelo probar primero

Prioridad	Empieza por	Por qué
Agentes de código orientados a terminal	GPT-5.5	Tiene la mejor puntuación citada en Terminal-Bench 2.0 dentro de la comparación compartida: 82,7% [24].
Reparación de software	Claude Opus 4.7	Lidera la fila citada de SWE-Bench Pro y la de SWE-Bench Verified entre estos modelos [18][24].
Razonamiento difícil sin herramientas	Claude Opus 4.7	Encabeza GPQA Diamond y Humanity’s Last Exam sin herramientas en la comparación compartida [24].
Razonamiento con herramientas o navegación	GPT-5.5 Pro	Lidera Humanity’s Last Exam con herramientas y BrowseComp cuando GPT-5.5 Pro se informa por separado [24].
Despliegue con pesos abiertos	Kimi K2.6	Se describe como un MoE de pesos abiertos con 1 billón de parámetros, y su ficha en Hugging Face informa filas fuertes en benchmarks de programación [1][6].
Inferencia alojada con presión de costes	DeepSeek-V4-Pro-Max	LLM Stats lo lista con contexto de 1 millón, 80,6% en SWE-Bench Verified y columnas de coste inferiores a las de Claude Opus 4.7 en el mismo ranking [18].
Necesidades de contexto largo	GPT-5.5, Claude Opus 4.7 o DeepSeek-V4-Pro-Max	Las fuentes citadas listan contexto de 1 millón para GPT-5.5, Claude Opus 4.7 y DeepSeek-V4-Pro-Max; Kimi K2.6 aparece alrededor de 256K a 262K [1][11][16][18][27].

Notas por modelo

GPT-5.5

OpenAI describe GPT-5.5 como un modelo construido para tareas complejas como programación, investigación y análisis de datos ^[38]. En la comparación compartida citada, GPT-5.5 alcanza 82,7% en Terminal-Bench 2.0, por delante de Claude Opus 4.7 con 69,4% y DeepSeek-V4-Pro-Max con 67,9% ^[24]. En esa misma tabla también aparece con 93,6% en GPQA Diamond, 58,6% en SWE-Bench Pro y 84,4% en BrowseComp ^[24].

La advertencia principal es que GPT-5.5 Pro funciona como punto de comparación separado. En la misma tabla, GPT-5.5 Pro llega a 90,1% en BrowseComp y 57,2% en Humanity’s Last Exam con herramientas, pero esos resultados no deberían mezclarse con los de GPT-5.5 base al comparar coste, latencia o configuración del modelo ^[24].

Para compras o planificación de presupuesto, BenchLM lista GPT-5.5 con una ventana de contexto de 1 millón de tokens, mientras que un informe de precios lo sitúa en $5 por millón de tokens de entrada y $30 por millón de tokens de salida ^[27][36]. Conviene tratar esa cifra como una señal a verificar, no como una cotización final.

Claude Opus 4.7

Claude Opus 4.7 tiene las señales más fuertes de reparación de software dentro de este grupo. LLM Stats lo lista con 87,6% en SWE-Bench Verified, y la comparación compartida informa 64,3% en SWE-Bench Pro ^[18][24]. También lidera la fila compartida de GPQA Diamond con 94,2%, Humanity’s Last Exam sin herramientas con 46,9% y MCP Atlas con 79,1% ^[24].

LLM Stats informa una ventana de contexto de 1 millón de tokens y precios de $5/$25 por millón de tokens para Claude Opus 4.7 ^[16]. La cautela sobre comparabilidad es importante: Anthropic señala que algunos resultados usaron implementaciones internas o parámetros de harness actualizados, y que ciertas puntuaciones no son directamente comparables con rankings públicos ^[17].

Kimi K2.6

Kimi K2.6 es el candidato de pesos abiertos más claro en el material citado. La cobertura de lanzamiento lo describe como un MoE de pesos abiertos con 1 billón de parámetros, 32.000 millones activos, 384 expertos, multimodalidad nativa, cuantización INT4 y contexto de 256K ^[1]. Su ficha en Hugging Face informa 80,2% en SWE-Bench Verified, 58,6% en SWE-Bench Pro, 66,7% en Terminal-Bench 2.0 y 89,6 en LiveCodeBench v6 ^[6].

La misma cobertura de lanzamiento informa 54,0 en Humanity’s Last Exam con herramientas y 83,2 en BrowseComp para Kimi K2.6 ^[1]. LLM Stats lo lista con contexto de 262K, columnas de precio de $0.95/$4.00 y etiqueta Open Source ^[11]. La limitación es que sus cifras no proceden de la misma tabla compartida que GPT-5.5, Claude Opus 4.7 y DeepSeek-V4-Pro-Max; por tanto, las diferencias pequeñas deberían servir para decidir qué probar, no para declarar un ganador definitivo ^[1][6][24].

DeepSeek-V4-Pro-Max

DeepSeek-V4-Pro-Max parece más un candidato de valor que un líder absoluto de benchmarks. LLM Stats lo lista con tamaño de 1,6T, contexto de 1 millón, 80,6% en SWE-Bench Verified y columnas de coste de $1.74/$3.48 ^[18]. En la comparación compartida, obtiene 90,1% en GPQA Diamond, 37,7% en Humanity’s Last Exam sin herramientas, 48,2% en Humanity’s Last Exam con herramientas, 67,9% en Terminal-Bench 2.0, 55,4% en SWE-Bench Pro, 83,4% en BrowseComp y 73,6% en MCP Atlas ^[24].

Esas cifras lo hacen interesante para cargas de trabajo sensibles al precio. Aun así, la misma tabla muestra a GPT-5.5, GPT-5.5 Pro o Claude Opus 4.7 liderando la mayoría de las filas reportadas, así que DeepSeek debería validarse con tareas propias antes de sustituir un modelo premium en producción ^[24].

Contexto y señales de precio

Las ventanas de contexto y los precios no siempre proceden de la misma fuente ni del proveedor directo. Úsalos como señales para compras, no como presupuestos cerrados.

Modelo	Señal citada de contexto y precio	Lectura práctica
GPT-5.5	BenchLM lista contexto de 1 millón; un informe de precios lista $5 de entrada y $30 de salida por millón de tokens [27][36].	Opción premium alojada; verificar precio vigente.
Claude Opus 4.7	LLM Stats informa contexto de 1 millón y precio de $5/$25 por millón de tokens [16].	Opción premium para programación, razonamiento y contexto largo.
Kimi K2.6	La cobertura de lanzamiento informa contexto de 256K; LLM Stats lista 262K y $0.95/$4.00 en sus columnas de precio [1][11].	Candidato fuerte de pesos abiertos; el precio alojado puede variar según proveedor.
DeepSeek-V4-Pro-Max	LLM Stats lista contexto de 1 millón, tamaño de 1,6T, 80,6% en SWE-Bench Verified y $1.74/$3.48 en columnas de coste [18].	Buen candidato de valor si mantiene calidad en tu carga real.

Por qué los rankings no siempre coinciden

Cada fila mide una habilidad distinta. GPQA Diamond y Humanity’s Last Exam apuntan a razonamiento difícil; Terminal-Bench 2.0 y las variantes de SWE-Bench se centran en programación y trabajo de software con agentes; BrowseComp mide rendimiento de recuperación y navegación en la comparación compartida ^[24]. Un modelo puede liderar una fila y quedar detrás en otra porque cambian la tarea, el acceso a herramientas y el entorno de evaluación.

Incluso un mismo benchmark puede variar según la implementación. LLM Stats lista Claude Opus 4.7 con 87,6% en SWE-Bench Verified, mientras que LMCouncil lo lista con 83,5% ± 1,7 bajo su propia configuración ^[18][30]. Anthropic también afirma que algunos resultados usaron implementaciones internas o parámetros de harness actualizados, lo que limita la comparación directa con rankings públicos ^[17].

Por eso, una diferencia de uno o dos puntos no debería decidir por sí sola un despliegue en producción. Los benchmarks públicos sirven para acotar la lista; la evaluación propia debería tomar la decisión final.

Cómo evaluar a los finalistas

Antes de comprometerte con un modelo, prueba los dos o tres candidatos principales con tareas parecidas a tu carga real.

1. Usa prompts, archivos y repositorios reales. Los prompts de benchmark rara vez capturan tu base de código, tus documentos, tus políticas internas o el comportamiento de tus usuarios.
2. Replica el entorno de herramientas. Los resultados de agentes de programación cambian cuando el modelo tiene terminal, navegación, recuperación documental, contexto del repositorio o APIs internas.
3. Mide coste y latencia con la misma configuración. Los modos Pro y los ajustes de mayor esfuerzo pueden mejorar la calidad, pero también cambian consumo de tokens y tiempo de respuesta.
4. Revisa los fallos a mano. En programación, mira tests, diffs, mantenibilidad, regresiones de seguridad y dependencias inventadas.
5. Incluye al menos un rival más barato. Kimi K2.6 y DeepSeek-V4-Pro-Max merecen estar en la prueba si importan los pesos abiertos o el coste de inferencia ^[1][18].

Conclusión

Si quieres una lista corta de gama alta, prueba GPT-5.5 y Claude Opus 4.7 en paralelo: GPT-5.5 tiene el mejor resultado citado en Terminal-Bench 2.0, mientras que Claude Opus 4.7 tiene los mejores resultados citados en SWE-Bench Pro y SWE-Bench Verified ^[18][24]. Si necesitas pesos abiertos, empieza por Kimi K2.6 ^[1][6]. Si la restricción principal es el coste, incluye DeepSeek-V4-Pro-Max, pero valídalo con tu propia carga antes de tratarlo como sustituto directo de las opciones premium ^[18][24].