D’abord, séparer le positionnement officiel des scores comparatifs

OpenAI présente GPT-5.5, dans sa documentation API, comme son modèle frontière le plus récent pour les travaux professionnels les plus complexes ; la même documentation indique qu’il prend en charge le réglage reasoning.effort.

De son côté, Anthropic met en avant Claude Opus 4.7 pour l’appel d’outils, la planification et les scénarios de génie logiciel. Sa page de lancement cite notamment un gain à deux chiffres de précision sur les appels d’outils et la planification dans des agents orchestrateurs Hebbia, ainsi qu’un résultat sur Rakuten-SWE-Bench où Claude Opus 4.7 résout trois fois plus de tâches de production qu’Opus 4.6.

Ces éléments disent comment chaque éditeur veut positionner son modèle. Pour le face-à-face chiffré entre GPT-5.5 et Claude Opus 4.7, les données les plus exploitables ici proviennent surtout de tableaux récapitulatifs publiés par Vellum, Kingy AI et Mashable.

Les benchmarks en un coup d’œil

Les principaux chiffres ci-dessous viennent du récapitulatif comparatif de Vellum sur GPT-5.5 ; le classement GPQA Diamond apparaît aussi dans le leaderboard de Vellum.

Pour corriger du code, Claude Opus 4.7 mérite le premier essai

Le signal le plus net en faveur de Claude concerne SWE-Bench Pro : Claude Opus 4.7 atteint 64,3 %, contre 58,6 % pour GPT-5.5, soit 5,7 points d’avance.

En pratique, cela plaide pour tester Claude Opus 4.7 en priorité si votre cas d’usage porte sur des tickets réels, des corrections dans plusieurs fichiers, la compréhension de dépendances dans une base de code ou la génération de patchs pour des pull requests complexes.

Un autre indicateur va dans le même sens : BenchLM décrit SWE-bench Verified comme un sous-ensemble vérifié manuellement de SWE-bench, conçu pour mesurer la capacité des modèles à résoudre de vrais problèmes GitHub, et liste Claude Opus 4.7 Adaptive à 87,6 %. Cette source ne fournit toutefois pas de score GPT-5.5 au même format ; elle ne suffit donc pas à prouver, à elle seule, que Claude bat GPT-5.5 sur SWE-bench Verified. Elle confirme plutôt que Claude Opus 4.7 fait partie des candidats très solides pour la correction logicielle réelle.

Terminal, navigateur, OS : GPT-5.5 a davantage de victoires publiques

L’écart le plus spectaculaire en faveur de GPT-5.5 apparaît sur Terminal-Bench 2.0 : 82,7 % contre 69,4 % pour Claude Opus 4.7, soit 13,3 points d’avance.

GPT-5.5 mène aussi sur BrowseComp, GDPval et OSWorld-Verified, avec respectivement 84,4 % contre 79,3 %, 84,9 % contre 80,3 %, et 78,7 % contre 78,0 %.

Si votre produit repose sur des commandes shell, de la navigation web, des fichiers, des opérations dans un environnement OS ou une automatisation en plusieurs étapes, GPT-5.5 est donc un candidat naturel à tester en premier. Attention toutefois à ne pas transformer cela en règle universelle du type « tous les agents doivent utiliser GPT » : sur MCP Atlas, Claude Opus 4.7 obtient 79,1 %, devant les 75,3 % de GPT-5.5 ; Anthropic insiste aussi, dans sa communication officielle, sur les progrès de Claude Opus 4.7 en appel d’outils et en planification.

Raisonnement, maths et tâches métier : le tableau reste contrasté

Les tâches professionnelles ou métiers ne donnent pas non plus un vainqueur unique. Dans le tableau de Vellum, GPT-5.5 mène sur GDPval avec 84,9 %, contre 80,3 % pour Claude Opus 4.7. La synthèse de Kingy AI indique en revanche que Claude Opus 4.7 est devant sur FinanceAgent v1.1, avec 64,4 % contre 60,0 %, tandis que GPT-5.5 mène sur OfficeQA Pro avec 54,1 % contre 43,6 %.

Même chose pour le raisonnement et les mathématiques : il faut regarder le type d’épreuve. Sur GPQA Diamond, Claude Opus 4.7 obtient 94,2 %, contre 93,6 % pour GPT-5.5, un écart limité à 0,6 point. Sur FrontierMath T1–3, GPT-5.5 monte à 51,7 %, contre 43,8 % pour Claude Opus 4.7, soit 7,9 points d’avance.

Humanity’s Last Exam illustre bien les limites des résumés publics. Kingy AI donne, sans outils, 41,4 % pour GPT-5.5 et 46,9 % pour Claude Opus 4.7 ; Mashable indique de son côté 40,6 % pour GPT-5.5 et 31,2 % pour Claude Opus 4.7, toujours sans outils. Comme ces synthèses publiques ne racontent pas la même chose, ce benchmark ne devrait pas être utilisé seul comme critère de décision.

Comment choisir sans tomber dans le piège du « meilleur modèle »

Si votre priorité est la correction de code à l’échelle d’un dépôt, les vrais tickets GitHub, les pull requests complexes ou la génération de patchs, commencez par Claude Opus 4.7. SWE-Bench Pro et SWE-bench Verified soutiennent l’idée qu’il est particulièrement compétitif sur les tâches de génie logiciel réel.

Si votre priorité est l’exécution en terminal, la recherche avec navigateur, les opérations OS, les agents d’automatisation ou les tâches professionnelles couvertes par GDPval, commencez par GPT-5.5. Il dispose d’avantages publics dans Terminal-Bench 2.0, BrowseComp, OSWorld-Verified et GDPval.

Si votre workflow mélange code, appel d’outils, planification longue, analyse documentaire et génération de rapports, évitez de choisir uniquement le « champion du classement ». GPT-5.5 est fort sur plusieurs benchmarks d’exécution ; Claude Opus 4.7 se distingue sur SWE-Bench Pro, MCP Atlas et dans les éléments officiels d’Anthropic autour des outils et de la planification.

Avant le déploiement : une évaluation interne vaut mieux qu’un classement

Les benchmarks publics servent à réduire la liste des candidats. Pour décider du modèle à mettre en production, préparez plutôt un jeu de tâches réelles, masquez le nom des modèles si possible, puis imposez les mêmes prompts, les mêmes droits d’accès aux outils, le même budget de contexte, le même temps disponible et les mêmes critères de notation.

Si vous testez GPT-5.5, fixez aussi les paramètres de raisonnement comme reasoning.effort, puisque la documentation OpenAI indique que ce modèle prend en charge ce réglage.

Enfin, ne regardez pas seulement la moyenne. Notez au minimum quatre éléments : la tâche est-elle terminée, le résultat est-il vérifiable, combien de travail humain faut-il pour corriger les erreurs, et quel est le coût en latence et en appels API. Pour un système en production, un modèle qui échoue rarement sur les tâches critiques vaut souvent mieux qu’un modèle qui gagne quelques points sur un benchmark peu lié à votre usage.

La conclusion la plus robuste est donc simple : GPT-5.5 et Claude Opus 4.7 n’ont pas de vainqueur absolu. Ils ont des profils différents, et le bon choix dépend d’abord de votre workflow.

D’abord, séparer le positionnement officiel des scores comparatifs

OpenAI présente GPT-5.5, dans sa documentation API, comme son modèle frontière le plus récent pour les travaux professionnels les plus complexes ; la même documentation indique qu’il prend en charge le réglage reasoning.effort.

De son côté, Anthropic met en avant Claude Opus 4.7 pour l’appel d’outils, la planification et les scénarios de génie logiciel. Sa page de lancement cite notamment un gain à deux chiffres de précision sur les appels d’outils et la planification dans des agents orchestrateurs Hebbia, ainsi qu’un résultat sur Rakuten-SWE-Bench où Claude Opus 4.7 résout trois fois plus de tâches de production qu’Opus 4.6.

Ces éléments disent comment chaque éditeur veut positionner son modèle. Pour le face-à-face chiffré entre GPT-5.5 et Claude Opus 4.7, les données les plus exploitables ici proviennent surtout de tableaux récapitulatifs publiés par Vellum, Kingy AI et Mashable.

Les benchmarks en un coup d’œil

Les principaux chiffres ci-dessous viennent du récapitulatif comparatif de Vellum sur GPT-5.5 ; le classement GPQA Diamond apparaît aussi dans le leaderboard de Vellum.

Pour corriger du code, Claude Opus 4.7 mérite le premier essai

Le signal le plus net en faveur de Claude concerne SWE-Bench Pro : Claude Opus 4.7 atteint 64,3 %, contre 58,6 % pour GPT-5.5, soit 5,7 points d’avance.

En pratique, cela plaide pour tester Claude Opus 4.7 en priorité si votre cas d’usage porte sur des tickets réels, des corrections dans plusieurs fichiers, la compréhension de dépendances dans une base de code ou la génération de patchs pour des pull requests complexes.

Un autre indicateur va dans le même sens : BenchLM décrit SWE-bench Verified comme un sous-ensemble vérifié manuellement de SWE-bench, conçu pour mesurer la capacité des modèles à résoudre de vrais problèmes GitHub, et liste Claude Opus 4.7 Adaptive à 87,6 %. Cette source ne fournit toutefois pas de score GPT-5.5 au même format ; elle ne suffit donc pas à prouver, à elle seule, que Claude bat GPT-5.5 sur SWE-bench Verified. Elle confirme plutôt que Claude Opus 4.7 fait partie des candidats très solides pour la correction logicielle réelle.

Terminal, navigateur, OS : GPT-5.5 a davantage de victoires publiques

L’écart le plus spectaculaire en faveur de GPT-5.5 apparaît sur Terminal-Bench 2.0 : 82,7 % contre 69,4 % pour Claude Opus 4.7, soit 13,3 points d’avance.

GPT-5.5 mène aussi sur BrowseComp, GDPval et OSWorld-Verified, avec respectivement 84,4 % contre 79,3 %, 84,9 % contre 80,3 %, et 78,7 % contre 78,0 %.

Si votre produit repose sur des commandes shell, de la navigation web, des fichiers, des opérations dans un environnement OS ou une automatisation en plusieurs étapes, GPT-5.5 est donc un candidat naturel à tester en premier. Attention toutefois à ne pas transformer cela en règle universelle du type « tous les agents doivent utiliser GPT » : sur MCP Atlas, Claude Opus 4.7 obtient 79,1 %, devant les 75,3 % de GPT-5.5 ; Anthropic insiste aussi, dans sa communication officielle, sur les progrès de Claude Opus 4.7 en appel d’outils et en planification.

Raisonnement, maths et tâches métier : le tableau reste contrasté

Les tâches professionnelles ou métiers ne donnent pas non plus un vainqueur unique. Dans le tableau de Vellum, GPT-5.5 mène sur GDPval avec 84,9 %, contre 80,3 % pour Claude Opus 4.7. La synthèse de Kingy AI indique en revanche que Claude Opus 4.7 est devant sur FinanceAgent v1.1, avec 64,4 % contre 60,0 %, tandis que GPT-5.5 mène sur OfficeQA Pro avec 54,1 % contre 43,6 %.

Même chose pour le raisonnement et les mathématiques : il faut regarder le type d’épreuve. Sur GPQA Diamond, Claude Opus 4.7 obtient 94,2 %, contre 93,6 % pour GPT-5.5, un écart limité à 0,6 point. Sur FrontierMath T1–3, GPT-5.5 monte à 51,7 %, contre 43,8 % pour Claude Opus 4.7, soit 7,9 points d’avance.

Humanity’s Last Exam illustre bien les limites des résumés publics. Kingy AI donne, sans outils, 41,4 % pour GPT-5.5 et 46,9 % pour Claude Opus 4.7 ; Mashable indique de son côté 40,6 % pour GPT-5.5 et 31,2 % pour Claude Opus 4.7, toujours sans outils. Comme ces synthèses publiques ne racontent pas la même chose, ce benchmark ne devrait pas être utilisé seul comme critère de décision.

Comment choisir sans tomber dans le piège du « meilleur modèle »

Si votre priorité est la correction de code à l’échelle d’un dépôt, les vrais tickets GitHub, les pull requests complexes ou la génération de patchs, commencez par Claude Opus 4.7. SWE-Bench Pro et SWE-bench Verified soutiennent l’idée qu’il est particulièrement compétitif sur les tâches de génie logiciel réel.

Si votre priorité est l’exécution en terminal, la recherche avec navigateur, les opérations OS, les agents d’automatisation ou les tâches professionnelles couvertes par GDPval, commencez par GPT-5.5. Il dispose d’avantages publics dans Terminal-Bench 2.0, BrowseComp, OSWorld-Verified et GDPval.

Si votre workflow mélange code, appel d’outils, planification longue, analyse documentaire et génération de rapports, évitez de choisir uniquement le « champion du classement ». GPT-5.5 est fort sur plusieurs benchmarks d’exécution ; Claude Opus 4.7 se distingue sur SWE-Bench Pro, MCP Atlas et dans les éléments officiels d’Anthropic autour des outils et de la planification.

Avant le déploiement : une évaluation interne vaut mieux qu’un classement

Les benchmarks publics servent à réduire la liste des candidats. Pour décider du modèle à mettre en production, préparez plutôt un jeu de tâches réelles, masquez le nom des modèles si possible, puis imposez les mêmes prompts, les mêmes droits d’accès aux outils, le même budget de contexte, le même temps disponible et les mêmes critères de notation.

Si vous testez GPT-5.5, fixez aussi les paramètres de raisonnement comme reasoning.effort, puisque la documentation OpenAI indique que ce modèle prend en charge ce réglage.

Enfin, ne regardez pas seulement la moyenne. Notez au minimum quatre éléments : la tâche est-elle terminée, le résultat est-il vérifiable, combien de travail humain faut-il pour corriger les erreurs, et quel est le coût en latence et en appels API. Pour un système en production, un modèle qui échoue rarement sur les tâches critiques vaut souvent mieux qu’un modèle qui gagne quelques points sur un benchmark peu lié à votre usage.

La conclusion la plus robuste est donc simple : GPT-5.5 et Claude Opus 4.7 n’ont pas de vainqueur absolu. Ils ont des profils différents, et le bon choix dépend d’abord de votre workflow.