GPT‑5.5, Claude Opus 4.7, Gemini 3.5 Flash, Grok 4.3 ja DeepSeek V4 – mikä on paras?

Claude Opus 4.7 loistaa erityisesti ohjelmistokehityksen vertailuissa. Anthropic raportoi 64,3 % SWE‑Bench Prossa ja 87,6 % SWE‑Bench Verifiedissa, jotka mittaavat mallin kykyä korjata oikeita ohjelmistovirheitä avoimen lähdekoodin projekteissa.

Googlen Gemini 3.5 Flash on poikkeuksellinen, koska se on ”flash”-malli (nopea), mutta yltää lähelle huippumalleja. Googlen oman vertailutaulukon mukaan se saa 76,2 % Terminal‑Bench 2.1:ssä, kun GPT‑5.5 saa 78,2 % ja Claude Opus 4.7 66,1 % samassa testiversiossa.

Grok 4.3 ja DeepSeek V4 ovat vaikeammin vertailtavissa, koska niiden tulokset perustuvat eri menetelmiin ja niistä on vähemmän riippumatonta tietoa.

Koodausvertailut

Koodaus on selkeä erottautumisalue.

Claude Opus 4.7 on paras SWE‑Bench Prossa (64,3 %) ja SWE‑Bench Verifiedissa (87,6 %), mikä kertoo vahvasta kyvystä ratkaista oikeita GitHub-ongelmia.

GPT‑5.5 jää hieman jälkeen SWE‑Bench Prossa (58,6 %), mutta on erinomainen laajemmissa teknisissä työnkuluissa, kuten Terminal‑Bench 2.0:ssa (82,7 %), joka mittaa monimutkaisia komentorivitehtäviä.

Gemini 3.5 Flash saa 55,1 % SWE‑Bench Prossa, mikä on vaatimattomampi tulos, mutta huomattava nopealle mallille.

Grok 4.3:n julkiset koodaustulokset ovat vähemmän standardoituja – esimerkiksi 81 % IFBenchissa ja 98 % τ²‑Bench‑televiestintätehtävissä, mutta nämä mittaavat kapeampia osa-alueita.

DeepSeek V4:n koodaustuloksia ei ole toistaiseksi vahvistettu riippumattomasti. Jotkut väitteet perustuvat sisäisiin testeihin tai vuotoihin.

Agenttimaiset työnkulut ja työkalujen käyttö

Gemini 3.5 Flash johtaa työkalujen käyttöä mittaavissa testeissä: 83,6 % MCP Atlasissa ja 56,5 % Toolathlonissa.

GPT‑5.5 on vahva GDPval‑testissä (84,9 %), joka mittaa tietotyön tehtäviä eri ammateissa.

Claude Opus 4.7 saa 78,0 % OSWorld‑Verifiedissa, mikä kertoo hyvästä kyvystä käyttää tietokoneen käyttöliittymiä.

Kontekstin pituus, nopeus ja hinta

Grok 4.3 korostaa pitkää kontekstia (1 miljoona tokenia) ja edullista hintaa: 1,25 $/miljoona syöttötokenia ja 2,50 $/miljoona tulostokenia.

Gemini 3.5 Flash on suunniteltu nopeaksi – jopa neljä kertaa nopeampi tulostusnopeudeltaan kuin muut huippumallit.

DeepSeek V4 -malleja käytetään usein avoimilla painoilla tai edullisemmalla infrastruktuurilla, mikä kiinnostaa organisaatioita, jotka haluavat ajaa malleja paikallisesti.

Riippumaton arvio DeepSeek V4:stä

Luotettavin riippumaton arvio DeepSeek V4:stä on Yhdysvaltain kansallisen standardointiinstituutin (NIST) CAISI‑ohjelmasta. Sen mukaan DeepSeek V4 on testatuista kiinalaisista malleista vahvin muun muassa ohjelmistokehityksessä, kybertehtävissä ja matematiikassa, mutta se jää noin kahdeksan kuukautta jälkeen johtavista huippumalleista.

Raportti huomauttaa myös, että DeepSeekin omat tulokset ovat vahvempia kuin NIST:n riippumattomat mittaukset, mikä korostaa puolueettoman arvioinnin tärkeyttä.

Miksi suora vertailu on vaikeaa

• Testit ovat eri versioita (esim. Terminal‑Bench 2.0 vs. 2.1).
• Tulokset ovat usein yhtiöiden itsensä raportoimia, eivät riippumattomia.
• Eri pisteytysjärjestelmät (esim. prosentit vs. Elo-pisteet) eivät ole suoraan vertailukelpoisia.

Siksi tarkkaa 1–5-sijoitusta kaikkien mallien välillä on syytä tulkita varoen.

Mitä tulokset kertovat?

• GPT‑5.5 on laajasti pätevin malli tietotyössä, päättelyssä ja agenttimaisissa tehtävissä.
• Claude Opus 4.7 on paras todellisissa koodausvertailuissa, kuten SWE‑Bench.
• Gemini 3.5 Flash on poikkeuksellisen vahva nopea malli, joka kilpailee huippumallien kanssa useissa agenttivertailuissa.
• Grok 4.3 tarjoaa pitkän kontekstin ja hyviä yhdistelmätuloksia, mutta vähemmän vertailutietoa johtaviin malleihin.
• DeepSeek V4 on vahvin itsenäisesti testattu kiinalainen malli, mutta jää kärjestä NIST:n mukaan.

Käytännössä ”paras” malli riippuu työkuormasta: koodausagentit, tutkimusavustajat, pitkän kontekstin analyysi ja kustannustehokas päättely suosivat eri malleja samoista otsikkoluvuista huolimatta.