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

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% .
• 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% .
• Razonamiento difícil sin herramientas: Claude Opus 4.7 encabeza las filas compartidas de GPQA Diamond y Humanity’s Last Exam sin herramientas .
• 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 .
• 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 .
• 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 .

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 .

Qué modelo probar primero

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 . 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% . En esa misma tabla también aparece con 93,6% en GPQA Diamond, 58,6% en SWE-Bench Pro y 84,4% en BrowseComp .

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 .

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 . 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 . 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% .

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 . 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 .

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 . 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 .

La misma cobertura de lanzamiento informa 54,0 en Humanity’s Last Exam con herramientas y 83,2 en BrowseComp para Kimi K2.6 . LLM Stats lo lista con contexto de 262K, columnas de precio de $0.95/$4.00 y etiqueta Open Source . 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 .

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 . 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 .

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 .

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.

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 . 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 . Anthropic también afirma que algunos resultados usaron implementaciones internas o parámetros de harness actualizados, lo que limita la comparación directa con rankings públicos .

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 .

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 . Si necesitas pesos abiertos, empieza por Kimi K2.6 . 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 .