GPT-5.5、Claude Opus 4.7、DeepSeek V4、Kimi K2.6をベンチマークで比較

4モデルの主要シグナル

GPT-5.5 vs Claude Opus 4.7：フロンティア同士はタスクで分かれる

GPT-5.5とClaude Opus 4.7は、ベンチマーク名ごとに勝者が入れ替わります。Mashableが報告した主な数値では、Claude Opus 4.7はSWE-Bench ProとGPQA Diamondで上回り、GPT-5.5はTerminal-Bench 2.0、Humanity's Last Exam、BrowseComp、ARC-AGI-1 Verifiedで上回っています。^[9]

一方、LLM Statsは共通10ベンチマークの整理として、Claude Opus 4.7が6つ、GPT-5.5が4つでリードするとしています。同サイトは、Opus 4.7が推論・レビュー系、GPT-5.5が長時間のツール利用系で強いと説明しています。^[4]

ただし、ここは重要な注意点があります。LLM Statsは、これらのスコアが各プロバイダーの高推論ティアにおける自己申告値であり、「形としては比較できるが、方法論まで同一ではない」としています。^[4] さらに、Humanity's Last Examのように、ソースによってリードの見え方が異なる項目もあります。^[4][9]

Kimi K2.6 vs DeepSeek V4 Pro：オープンウェイト系は速度か文脈長か

Kimi K2.6とDeepSeek V4 Proは、クローズドなフロンティアモデルと同じ土俵で単純比較するより、オープンウェイト系の運用候補として見ると判断しやすくなります。

この表だけなら、Kimi K2.6はIntelligenceと出力速度で有利、DeepSeek V4 Proは1M contextで有利です。^[23] The DecoderはMoonshot AIの発表値として、Kimi K2.6がHLE with Tools 54.0、SWE-Bench Pro 58.6、BrowseComp 83.2を記録したと報告しています。^[20]

ただし、Kimi K2.6の公開実験はGPT-5.5やClaude Opus 4.7との完全な同条件比較ではありません。Hugging Faceのモデルカードでは、Kimi K2.6はthinking mode、temperature 1.0、top-p 1.0、262,144トークン文脈長などの条件で評価され、比較対象も主にClaude Opus 4.6、GPT-5.4、Gemini 3.1 Proです。^[18]

DeepSeek V4 Proは、絶対性能の王者というより、長文脈とコストで評価するモデルです。DataCampは、DeepSeek V4が純粋な能力ではGPT-5.5やClaude Opus 4.7を上回らない一方、near-frontier性能を低コストで狙う位置づけだと整理しています。^[16]

価格比較では、数字の種類を混ぜない

価格を見るときは、少なくとも3種類の数字を分ける必要があります。

1つ目はAPIのトークン単価です。Mashableは、DeepSeek V4を100万入力トークンあたり$1.74、100万出力トークンあたり$3.48、GPT-5.5を$5/$30、Claude Opus 4.7を$5/$25と報告しています。^[3]

2つ目はArtificial Analysisのモデル表にあるPrice列です。Kimi K2.6は$1.7、DeepSeek V4 Proは$2.2と示されていますが、MashableのAPI単価と同じ指標として扱うべきではありません。^[23]

3つ目はベンチマーク実行コストです。Artificial Analysisの記事では、Intelligence Indexの実行コストとしてDeepSeek V4 Proが$1,071、Kimi K2.6が$948、Claude Opus 4.7が$4,811と報告されています。^[2]

したがって、「DeepSeekが安い」「Kimiが安い」「Claudeが高い」といった結論は、API単価なのか、評価実行コストなのか、出力トークン量を含む実運用コストなのかを分けて判断する必要があります。^[2][3][23]

安全性・信頼性はベンチマークとは別軸

Claude Opus 4.7については、MashableがAnthropicの主張として92%のhonesty rateと、より少ないsycophancyを報告しています。^[15] Anthropicの発表でも、Claude Opus 4.7は内部research-agent benchmarkで6モジュール合計0.715のトップタイとなり、General FinanceではOpus 4.6の0.767から0.813に改善したとされています。^[17]

ただし、これらはSWE-Bench Pro、GPQA Diamond、BrowseCompのような能力ベンチマークとは別の評価軸です。実務で使う場合は、能力スコア、コスト、速度、幻覚リスク、監査しやすさを分けて見るべきです。^[15][17]

実運用では、1モデル固定よりルーティングが現実的

本番運用では、1つのモデルを全タスクに固定するより、用途別にルーティングする構成が現実的です。MindStudioのコード比較では、GPT-5.5は同じコーディングタスクでClaude Opus 4.7より72%少ない出力トークンを使ったとされる一方、複雑で推論負荷の高い大規模コードベースではOpus 4.7の丁寧さがコストを正当化し得るとされています。^[28]

実務的には、標準的な生成・修正・端末系タスクはGPT-5.5、深いレビューや専門判断はClaude Opus 4.7、安価なオープンウェイト実験はKimi K2.6、長文脈・大量処理はDeepSeek V4 Proから試すのが自然です。^{[3][4][23][28]}

最終判断

現時点の公開情報からは、GPT-5.5、Claude Opus 4.7、DeepSeek V4 Pro、Kimi K2.6の単一勝者を決めるより、用途別に選ぶのが最も安全です。GPT-5.5は総合・経済価値タスク、Claude Opus 4.7は推論・レビュー、Kimi K2.6はオープンウェイト系の速度と価格性能、DeepSeek V4 Proは長文脈と低API価格が主な強みです。^{[3][4][23][26][27]}

加えて、Artificial Analysis内でもGPT-5.5 highをIntelligence 59とするモデルページと、Claude Opus 4.7 Adaptive Reasoning, Max EffortをIntelligence 57で首位とする一覧ページがあり、ページの更新時点や推論設定によって見え方が変わります。^[27][30] ベンチマークは出発点として使い、最後は自社の実タスク、予算、レイテンシ、失敗許容度で小さく並走評価するのが最も堅実です。^[4][18][28]