DeepSeek V4 vs GPT-5.5 : benchmarks, limites et choix du modèle

Le verdict court

Si votre priorité est une API de production avec des paramètres publics et faciles à budgéter, GPT-5.5 est le choix le plus simple à évaluer. Les éléments qui comptent pour un déploiement — contexte, sortie maximale, prix et prise en charge des outils — sont explicitement indiqués dans la documentation API d’OpenAI .

Si votre priorité est l’accès à des poids ouverts, DeepSeek V4 Pro mérite clairement un test. Mais il faut lire l’expression avec précision : Artificial Analysis parle de poids ouverts, ce qui ne veut pas dire que les données d’entraînement, le code d’entraînement ou toute la chaîne de production sont eux-mêmes ouverts .

Et si la question est : « lequel est objectivement le plus fort sur tous les benchmarks ? », la réponse prudente est : les données publiques ne permettent pas encore de trancher proprement. On dispose d’un résultat SWE-bench provenant d’une source tierce , de comparaisons partielles publiées par Artificial Analysis , et de la documentation API et sécurité d’OpenAI . Ce n’est pas l’équivalent d’un benchmark indépendant, complet et exécuté dans les mêmes conditions.

Ce que les sources établissent vraiment

DeepSeek dispose d’une page officielle « DeepSeek-V4 Preview Release » datée du 24 avril 2026 dans sa documentation API . OpenAI a présenté GPT-5.5 le 23 avril 2026, puis indiqué que GPT-5.5 et GPT-5.5 Pro étaient disponibles dans l’API à partir du 24 avril 2026 . Les deux modèles arrivent donc presque au même moment, mais pas avec le même niveau de détails publics.

Un détail mérite attention : OpenAI indique une fenêtre de contexte de 1M tokens pour GPT-5.5 dans sa documentation API , tandis que la page de comparaison d’Artificial Analysis affiche 922k tokens pour GPT-5.5 high et 1000k tokens pour DeepSeek V4 Pro high . Il ne faut donc pas mélanger mécaniquement les chiffres sans vérifier la variante exacte du modèle, le niveau de raisonnement et la définition utilisée par chaque source.

Quels benchmarks faut-il prendre au sérieux ?

SWE-bench Verified : un signal utile pour le code

Un article de synthèse d’o-mega indique que GPT-5.5 atteint 88,7 % sur SWE-bench Verified, contre 80,6 % pour DeepSeek V4 Pro, soit un écart de 8,1 points . Pour une équipe qui construit un agent de développement logiciel, c’est un signal important.

Mais ce n’est pas un verdict universel. Sur les tâches de code, les scores peuvent varier fortement selon le prompt, le niveau de raisonnement, les outils autorisés, le nombre de tentatives, l’accès aux tests, le format du patch et le harnais d’évaluation. Le score 88,7 % contre 80,6 % justifie donc de tester GPT-5.5 en priorité sur un benchmark interne de code ; il ne prouve pas que GPT-5.5 gagne sur tous les usages .

System card OpenAI : riche, mais pas un duel direct

Le Deployment Safety Hub d’OpenAI indique que GPT-5.5 est évalué avec CoT-Control, une suite de plus de 13 000 tâches construites à partir de benchmarks comme GPQA, MMLU-Pro, HLE, BFCL et SWE-Bench Verified . Cette information est utile pour comprendre l’étendue des évaluations menées autour de GPT-5.5.

Elle ne doit toutefois pas être lue comme une comparaison directe avec DeepSeek V4. Cette source aide à comprendre comment OpenAI teste GPT-5.5, mais elle ne permet pas, à elle seule, d’affirmer que GPT-5.5 bat ou ne bat pas DeepSeek V4 sur GPQA, MMLU-Pro ou SWE-Bench Verified .

AA-Omniscience : progrès de connaissance, mais alerte sur les hallucinations

Artificial Analysis indique que DeepSeek V4 Pro Max obtient -10 sur AA-Omniscience, soit une amélioration de 11 points par rapport à V3.2 Reasoning à -21 ; DeepSeek V4 Flash Max obtient -23 . La même source signale cependant un taux d’hallucination très élevé : 94 % pour DeepSeek V4 Pro et 96 % pour V4 Flash, ce qui signifie que lorsque le modèle ne connaît pas la réponse, il répond presque toujours malgré tout .

C’est un point majeur pour les applications où la fiabilité factuelle compte : questions-réponses internes, analyse de contrats, conformité, finance, santé ou documentation technique critique. DeepSeek V4 Pro peut être attractif grâce à ses poids ouverts et à son long contexte, mais les workflows factuels devraient prévoir recherche documentaire, citations vérifiées, contrôle des sources et revue humaine lorsque l’enjeu le justifie .

Quel modèle choisir selon l’usage ?

Choisir GPT-5.5 pour une intégration API cadrée

GPT-5.5 est le candidat le plus lisible si vous voulez intégrer vite, calculer les coûts et vous appuyer sur des outils officiellement pris en charge. La documentation d’OpenAI indique directement l’ID du modèle, le prix, la fenêtre de contexte, la sortie maximale, la date limite de connaissances au 1er décembre 2025 et les outils Functions, Web search, File search et Computer use .

C’est aussi le modèle à tester en premier si votre cas d’usage principal est un agent de code et que vous voulez partir du meilleur signal public disponible sur SWE-bench Verified . Mais même dans ce cas, le bon réflexe reste de mesurer sur vos propres dépôts, avec vos tests, vos conventions de code et vos contraintes de production.

Choisir DeepSeek V4 Pro si les poids ouverts sont indispensables

DeepSeek V4 Pro est plus intéressant si votre cahier des charges exige un modèle à poids ouverts ou une évaluation plus poussée hors d’une API propriétaire. Artificial Analysis le décrit comme un modèle à poids ouverts, publié en avril 2026, prenant en charge l’entrée et la sortie texte avec une fenêtre de contexte de 1m tokens .

La contrepartie est la prudence sur les réponses factuelles. Avec un taux d’hallucination de 94 % rapporté par Artificial Analysis pour DeepSeek V4 Pro dans AA-Omniscience, il serait risqué de le laisser répondre seul à des questions nécessitant des sources vérifiables .

Pour l’image et les outils, GPT-5.5 a l’avantage documentaire

Sur la page de comparaison DeepSeek V4 Pro high contre GPT-5.5 high, Artificial Analysis indique que GPT-5.5 high accepte l’entrée image, contrairement à DeepSeek V4 Pro high . En ajoutant la prise en charge officielle de Functions, Web search, File search et Computer use dans la documentation OpenAI, les sources disponibles avantagent GPT-5.5 pour les workflows multimodaux ou agentiques .

Comment benchmarker proprement avant de décider

Avant de router du trafic, de signer un budget API ou de définir un modèle par défaut, mieux vaut construire une évaluation interne que comparer des scores publiés dans des contextes différents.

1. Fixez la variante exacte et le niveau de raisonnement. OpenAI liste pour GPT-5.5 les niveaux none, low, medium, high et xhigh . Artificial Analysis publie aussi des comparaisons distinctes selon les niveaux low, medium et high .
2. Utilisez les mêmes prompts et le même harnais. Un modèle testé avec un prompt optimisé ne doit pas être comparé à un autre avec une instruction brute.
3. Alignez la politique d’outils. Pour un agent de code, le nombre de tentatives, le droit d’exécuter des tests ou la possibilité de modifier plusieurs fichiers peuvent changer fortement le résultat.
4. Mesurez aussi les erreurs opérationnelles. Au-delà du taux de réussite, suivez les erreurs de format, la stabilité des sorties, le coût en tokens, la latence et le besoin de revue humaine.
5. Ajoutez un test d’hallucination. C’est particulièrement important pour DeepSeek V4 Pro et V4 Flash, compte tenu des taux rapportés dans AA-Omniscience .
6. Testez sur vos données réelles. Les benchmarks génériques sont utiles, mais ils ne remplacent pas des exemples tirés de vos documents, de votre code et de vos cas utilisateurs.

Conclusion

GPT-5.5 est le choix le plus sûr pour démarrer si l’objectif est une API de production, un agent de code outillé ou un workflow nécessitant prix, sortie maximale et outils clairement documentés . DeepSeek V4 Pro est un candidat sérieux si les poids ouverts sont une exigence forte, à condition d’ajouter des garde-fous pour les usages factuels .

En revanche, si la question est simplement : « DeepSeek V4 ou GPT-5.5 gagne les benchmarks ? », la réponse la plus honnête reste : pas encore assez de données publiques, indépendantes et comparables pour conclure sur toute la ligne. Les signaux actuels penchent vers GPT-5.5 sur SWE-bench Verified d’après une source tierce , vers GPT-5.5 pour la documentation API et les outils , tandis que DeepSeek V4 Pro se distingue surtout par ses poids ouverts et son très long contexte .