Claude Opus 4.7, GPT-5.5, DeepSeek V4 et Kimi K2.6 : quel modèle choisir selon les benchmarks ?

La bonne lecture est donc moins spectaculaire, mais plus utile pour une équipe produit ou data : choisissez le modèle selon la tâche, puis refaites vos propres tests sur vos dépôts, vos outils, vos tickets et vos contraintes de coût.

Verdict rapide : quel modèle tester en premier ?

La table la plus comparable : Claude, GPT-5.5 et DeepSeek V4-Pro-Max

Les chiffres ci-dessous viennent de la même table de comparaison. C’est le meilleur point de départ pour comparer DeepSeek V4-Pro-Max, GPT-5.5 ou GPT-5.5 Pro, et Claude Opus 4.7. GPT-5.5 Pro n’apparaît que sur certains tests.

La lecture est assez nette : Claude Opus 4.7 ressort en tête sur les tests de raisonnement exigeant, la résolution sans outils, l’ingénierie logicielle et MCP Atlas ; GPT-5.5 et GPT-5.5 Pro sont plus forts sur les tâches orientées terminal, navigateur et usage d’outils. DeepSeek V4-Pro-Max ne prend la première place sur aucun benchmark de cette table, mais son score BrowseComp de 83,4 % reste très proche du GPT-5.5 à 84,4 % et supérieur au Claude Opus 4.7 à 79,3 %.

Kimi K2.6 : un candidat sérieux, mais pas encore un classement propre

Kimi K2.6 n’est pas absent des benchmarks. Le problème est plutôt que les sources, modes d’exécution et modèles comparés ne sont pas parfaitement alignés. Ces chiffres permettent de décider s’il faut l’inclure dans une short list, pas de le déclarer vainqueur global.

La conclusion sur Kimi K2.6 est donc mesurée : il mérite d’être testé, surtout si vous explorez l’écosystème Kimi, une voie alternative pour les agents de code ou une optimisation de coût. En revanche, les données disponibles ne suffisent pas à le placer proprement au-dessus des trois autres sur l’ensemble des usages.

Prix, contexte et coût réel de déploiement

Les benchmarks mesurent une capacité, pas un coût de production. Dans une application réelle, le prix des tokens de sortie, la taille de la fenêtre de contexte, la latence et les contraintes de déploiement peuvent peser autant que quelques points de score.

Le signal économique le plus clair est celui-ci : GPT-5.5 et Claude Opus 4.7 sont tous deux listés à 5 $ par million de tokens d’entrée, mais GPT-5.5 est à 30 $ par million de tokens de sortie contre 25 $ pour Claude Opus 4.7 ; DeepSeek, lui, se positionne dans les articles comme une option à environ un sixième du coût des modèles américains récents.

Choisir selon le travail à faire

1. Raisonnement difficile : Claude Opus 4.7 en premier

Pour des questions complexes, de l’analyse académique, de la résolution sans outils ou des tâches où l’erreur coûte cher, Claude Opus 4.7 est le meilleur premier candidat dans la table commune. Il obtient 94,2 % sur GPQA Diamond, devant GPT-5.5 à 93,6 % et DeepSeek V4-Pro-Max à 90,1 %. Sur Humanity’s Last Exam sans outils, il mène aussi avec 46,9 %.

2. Terminal, navigateur et agents avec outils : avantage GPT-5.5

Si votre produit repose sur des agents qui pilotent un terminal, naviguent sur le Web ou orchestrent des outils, GPT-5.5 et GPT-5.5 Pro se distinguent davantage. GPT-5.5 atteint 82,7 % sur Terminal-Bench 2.0, contre 69,4 % pour Claude Opus 4.7 et 67,9 % pour DeepSeek V4-Pro-Max. GPT-5.5 Pro mène BrowseComp avec 90,1 %.

3. Ingénierie logicielle : Claude mène, mais testez sur vos repos

Sur la table commune, Claude Opus 4.7 atteint 64,3 % sur SWE-Bench Pro / SWE Pro, devant GPT-5.5 à 58,6 % et DeepSeek V4-Pro-Max à 55,4 %. LLM Stats donne une hiérarchie cohérente sur SWE-Bench Pro : Claude Opus 4.7 à 0,64, GPT-5.5 et Kimi K2.6 à 0,59, DeepSeek V4-Pro-Max à 0,55.

Mais le code est le domaine où les benchmarks génériques peuvent le plus diverger de la réalité. Un benchmark pratique donne 97 à Claude Opus 4.7, 96 à GPT-5.5 xHigh, 87 à Kimi K2.6, 78 à DeepSeek V4 Flash et 69 à DeepSeek V4 Pro. Ces chiffres sont utiles, mais ils ne disent pas comment le modèle se comportera sur votre architecture, vos tests CI, vos conventions de revue et vos vieux tickets jamais documentés.

4. Coût et volume : DeepSeek V4 mérite un essai précoce

Si le facteur limitant est le coût par token plutôt que la première place sur chaque benchmark, DeepSeek V4 devient un candidat naturel. Dans la table commune, DeepSeek V4-Pro-Max reste proche du front sur plusieurs tâches sans être premier, et des articles le présentent comme environ six fois moins cher que les modèles américains récents.

Le point à surveiller est le mode d’utilisation. Via API, le calcul est surtout économique. En déploiement privé, les ordres de grandeur de DeepSeek V4 Pro — 1,6 billion de paramètres au total, 49 milliards actifs et 865 Go à télécharger selon DataCamp — imposent de prendre en compte matériel, inférence et exploitation.

5. Kimi K2.6 : à mettre dans la short list, pas sur un podium définitif

Kimi K2.6 a plusieurs signaux positifs : 83,2 % sur BrowseComp dans DocsBot, presque au niveau du DeepSeek-V4 Pro à 83,4 % sur la même page ; 0,59 sur SWE-Bench Pro dans LLM Stats, à égalité avec GPT-5.5 ; 87 points dans un benchmark pratique de code.

Son principal handicap dans ce comparatif est méthodologique. Il manque encore une table complète, même source, mêmes réglages, mêmes versions, face à Claude Opus 4.7, GPT-5.5 et DeepSeek V4-Pro-Max. Pour l’instant, Kimi K2.6 est donc un candidat à évaluer sérieusement, pas un vainqueur global démontré.

Pourquoi il faut éviter de surinterpréter les classements

1. Kimi K2.6 n’a pas de table commune complète. Les données les plus homogènes couvrent DeepSeek V4-Pro-Max, GPT-5.5 ou GPT-5.5 Pro, et Claude Opus 4.7. Pour Kimi, il faut combiner Artificial Analysis, DocsBot, LLM Stats, Hugging Face et un benchmark pratique de code.
2. Les noms de versions et de modes ne sont pas toujours équivalents. Les sources mentionnent GPT-5.5 Pro, GPT-5.5 xHigh, DeepSeek-V4 Pro, DeepSeek V4-Pro-Max, Kimi Thinking, Claude Opus 4.7 Adaptive Reasoning ou Max Effort. Ces libellés ne doivent pas être fusionnés comme s’il s’agissait d’un réglage unique.
3. Les formats de score changent selon les plateformes. Une source donne SWE-Bench Pro / SWE Pro en pourcentage, tandis que LLM Stats affiche SWE-Bench Pro sous forme de score 0.xx. Le plus prudent est de comparer d’abord les modèles à l’intérieur d’une même source, puis de refaire une évaluation interne.
4. Les données de prix sont inégales. GPT-5.5 et Claude Opus 4.7 ont des prix d’entrée et de sortie explicitement listés ; DeepSeek est surtout documenté via l’affirmation d’un coût environ six fois inférieur ; Kimi K2.6 n’a pas, dans les sources utilisées ici, une tarification token complète et vérifiable.

Le choix le plus raisonnable

Si l’on résume en une phrase : Claude Opus 4.7 est le meilleur point de départ pour le raisonnement difficile et plusieurs benchmarks d’ingénierie logicielle ; GPT-5.5 et GPT-5.5 Pro sont plus convaincants pour les agents avec terminal, navigateur et outils ; DeepSeek V4-Pro-Max est un compromis capacité/coût ; Kimi K2.6 a du potentiel, mais demande encore davantage de preuves homogènes.

Pour passer du benchmark à la production, le bon protocole est simple : prenez vos propres dépôts, tickets, workflows de recherche, outils autorisés, contraintes de fenêtre de contexte, exigences de latence, tolérance aux erreurs et budget token. Faites tourner exactement la même évaluation sur les quatre modèles. C’est à ce moment-là seulement que le classement devient une décision produit.