GPT-5.5, Claude Opus 4.7, DeepSeek V4 et Kimi K2.6 : comment lire les benchmarks publics

Côté Anthropic, la documentation publique de Claude Opus 4.7 consultée ici décrit surtout des capacités et des modalités d’usage API, notamment la bêta

task budgets

Le point commun le plus solide : Terminal-Bench 2.0

Parmi les sources disponibles, Terminal-Bench 2.0 est le benchmark public où les quatre modèles visés peuvent être alignés le plus proprement. Ce test sert ici de terrain commun, même s’il ne résume pas à lui seul toutes les capacités d’un modèle.

La conclusion raisonnable est donc limitée, mais nette : sur Terminal-Bench 2.0, GPT-5.5 est largement devant, Claude Opus 4.7 arrive deuxième, puis DeepSeek V4-Pro Max et Kimi K2.6 Thinking sont très proches.

Ce résultat ne signifie pas que GPT-5.5 sera automatiquement meilleur dans tous les produits, toutes les bases de code, tous les agents ou toutes les chaînes d’outils. Pour cela, il faudrait un test commun avec les mêmes prompts, les mêmes permissions d’outils, la même longueur de contexte, le même budget de raisonnement et les mêmes règles de notation.

GPT-5.5 face à Claude Opus 4.7 dans le tableau d’OpenAI

OpenAI publie plusieurs comparaisons directes entre GPT-5.5 et Claude Opus 4.7. Dans les benchmarks listés sur cette page, GPT-5.5 obtient à chaque fois un score supérieur à celui de Claude Opus 4.7.

Ce que l’on peut dire sans surinterpréter : dans les évaluations publiées par OpenAI, GPT-5.5 devance Claude Opus 4.7 sur les lignes affichées.

La system card d’OpenAI présente GPT-5.5 comme un modèle pensé pour des travaux complexes du monde réel : écrire du code, mener des recherches en ligne, analyser de l’information, créer des documents et des feuilles de calcul, ou encore passer d’un outil à l’autre pour accomplir une tâche. C’est utile pour comprendre le positionnement du modèle, mais cela ne remplace pas une évaluation indépendante et symétrique entre les quatre modèles.

DeepSeek V4-Pro Max face à Kimi K2.6 Thinking dans la carte DeepSeek

La carte modèle DeepSeek V4-Pro donne, elle, une comparaison détaillée entre DS-V4-Pro Max et K2.6 Thinking. Dans ce tableau, DeepSeek V4-Pro Max est devant sur la majorité des lignes, mais Kimi K2.6 Thinking conserve quelques avantages nets.

La lecture la plus prudente est la suivante : dans la carte DeepSeek, DS-V4-Pro Max dépasse K2.6 Thinking sur la plupart des benchmarks listés, mais Kimi K2.6 Thinking est devant sur GPQA Diamond et SWE Pro.

Il faut aussi regarder les écarts. Sur MMLU-Pro ou Terminal-Bench 2.0, l’avance est faible ; pour une décision produit, le type de tâche, la stabilité des réponses et la marge d’erreur comptent autant que le sens de la flèche.

Pourquoi il ne faut pas publier un classement absolu à quatre places

La tentation est forte : prendre le tableau OpenAI, le tableau DeepSeek, la documentation Anthropic, mélanger les chiffres et annoncer un vainqueur. Ce serait méthodologiquement fragile.

Trois raisons principales l’expliquent :

1. Les versions ne correspondent pas. OpenAI compare GPT-5.5 à Claude Opus 4.7 ; le tableau DeepSeek mentionne, pour GPT et Claude, GPT-5.4 xHigh et Opus-4.6 Max.
2. Les sources ne sont pas homogènes. Les données viennent de pages fournisseurs, d’une system card, d’une documentation API et d’une carte modèle, pas d’un même banc d’essai tiers appliqué aux quatre modèles dans les mêmes conditions.
3. Les métriques ne mesurent pas la même chose. GDPval, BrowseComp, FrontierMath, CyberGym, MMLU-Pro, GPQA Diamond ou SWE Pro ne testent pas les mêmes compétences. Sans pondération claire, les additionner en un score global masque les différences réelles entre usages.

Les benchmarks publics doivent donc servir de filtre de départ, pas de verdict final.

Comment utiliser ces chiffres pour choisir un modèle

Pour une équipe produit, une DSI ou une équipe data, la bonne approche consiste à séparer trois niveaux.

• Niveau 1 : le benchmark partagé. Ici, Terminal-Bench 2.0 est le point commun le plus lisible entre les quatre modèles, et GPT-5.5 y mène clairement.
• Niveau 2 : les comparaisons internes aux fournisseurs. Le tableau OpenAI soutient l’idée que GPT-5.5 devance Claude Opus 4.7 sur les benchmarks affichés ; la carte DeepSeek soutient l’idée que DS-V4-Pro Max devance K2.6 Thinking sur la plupart des lignes listées.
• Niveau 3 : le test métier. Il faut rejouer vos propres tâches — code, agent, raisonnement, recherche documentaire, usage d’outils, latence, coût — avec les mêmes prompts, les mêmes droits d’accès, le même contexte et les mêmes critères de réussite.

Si votre produit dépend de longues boucles agentiques, Claude Opus 4.7 mérite un test spécifique autour de

task budgets

Si votre usage ressemble davantage à du codage complexe, de la recherche en ligne, de la production documentaire, des feuilles de calcul ou du travail multi-outils, la description de GPT-5.5 dans la system card d’OpenAI correspond directement à ces scénarios. Mais même dans ce cas, le bon réflexe reste le même : tester le modèle dans votre environnement réel, avec votre base de code, vos connecteurs, vos garde-fous et vos procédures de reprise après erreur.

Le classement que l’on peut formuler sans aller trop loin

• Sur Terminal-Bench 2.0 uniquement : GPT-5.5 est premier, Claude Opus 4.7 deuxième, DeepSeek V4-Pro Max troisième et Kimi K2.6 Thinking quatrième.
• Dans le tableau OpenAI : GPT-5.5 dépasse Claude Opus 4.7 sur les benchmarks listés.
• Dans la carte DeepSeek : DS-V4-Pro Max dépasse Kimi K2.6 Thinking sur la majorité des lignes, mais Kimi est devant sur GPQA Diamond et SWE Pro.
• Pour un classement général absolu entre les quatre modèles : les preuves publiques sont insuffisantes. Il manque encore une évaluation complète, tierce, avec les mêmes versions et les mêmes conditions de test pour tous.