Le tableau rapide des scores citables

Les tirets ci-dessous signifient seulement que les sources disponibles ne donnent pas de score comparable dans cette colonne. Ils ne disent pas que le modèle est faible sur la tâche. Surtout, ces résultats ne viennent pas tous du même harnais officiel : ils servent à filtrer les candidats, pas à proclamer un classement absolu.

Pourquoi il ne faut pas faire un podium général

Premier problème : les sources ne sont pas du même niveau. Les chiffres de GPT-5.5 sur Terminal-Bench 2.0 et SWE-Bench Pro viennent d’un article relayant des résultats fournis par OpenAI ; les scores de Claude Opus 4.7 sur SWE-Bench Pro, SWE-Bench Verified et Terminal-Bench 2.0 proviennent d’une synthèse secondaire citant AWS ; une partie des scores Kimi K2.6 et DeepSeek V4-Pro vient de cartes modèles Hugging Face.

Deuxième problème : les outils changent la hiérarchie. Mashable rapporte par exemple des scores HLE où, sans outils, Claude Opus 4.7 obtient 46,9 % contre 42,7 % pour GPT-5.4 Pro ; avec outils, GPT-5.4 Pro monte à 58,7 % contre 54,7 % pour Claude Opus 4.7. Ce ne sont pas des scores GPT-5.5, mais l’exemple montre pourquoi il ne faut pas mélanger des évaluations avec et sans outils dans le même classement.

Troisième problème : la version et le coût comptent. DeepSeek V4 existe en V4-Pro et V4-Flash, Yahoo Finance rapportant que V4-Flash est présenté comme une option plus efficace et plus économique ; les chiffres détaillés cités ici concernent surtout DeepSeek-V4-Pro. De son côté, Artificial Analysis distingue plusieurs variantes d’effort pour GPT-5.5 et indique que GPT-5.5 xhigh coûte environ 20 % de plus que son prédécesseur sur son Index, tout en étant 30 % moins cher que Claude Opus 4.7 max.

GPT-5.5 : le signal le plus fort côté terminal et contexte long

Le point le plus clair pour GPT-5.5 est Terminal-Bench 2.0, un test orienté workflows en ligne de commande. Yahoo Finance / Investing.com rapporte que les benchmarks fournis par OpenAI donnent GPT-5.5 à 82,7 % sur Terminal-Bench 2.0 et à 58,6 % sur SWE-Bench Pro, ce dernier évaluant la résolution d’issues GitHub.

OpenAI publie aussi des chiffres détaillés sur le long contexte. Dans Graphwalks BFS, GPT-5.5 est donné à 73,7 en 256k et 45,4 en 1M ; dans Graphwalks parents, il atteint 90,1 en 256k et 58,5 en 1M. Le même tableau montre aussi que GPT-5.4 était à 9,4 sur Graphwalks BFS 1M, contre 45,4 pour GPT-5.5.

Côté évaluation tierce, Artificial Analysis présente GPT-5.5 comme son nouveau modèle leader, indique qu’OpenAI mène cinq de ses évaluations principales et arrive deuxième derrière Gemini 3.1 Pro Preview sur trois autres ; le même article précise que GPT-5.5 xhigh utilise environ 40 % de tokens de sortie en moins que son prédécesseur pour exécuter son Index.

À tester en priorité si vous faites : agents de terminal, automatisation CLI, workflows de code avec outils, recherche sur très longs contextes ou pipelines où le volume de tokens de sortie pèse fortement dans le coût.

Claude Opus 4.7 : très solide en code, surtout mieux documenté en vision

Claude Opus 4.7 est le modèle le mieux étayé pour les tâches visuelles et les interfaces graphiques. La documentation API d’Anthropic indique que les changements apportés doivent débloquer des gains sur les workloads fortement visuels, en particulier le computer use, les captures d’écran, les artefacts et la compréhension de documents. Elle précise aussi que les coordonnées du modèle correspondent désormais aux pixels réels en 1:1, ce qui évite les calculs de facteur d’échelle.

Anthropic cite également, sur sa page de lancement, le benchmark d’acuité visuelle de XBOW : Claude Opus 4.7 y atteint 98,5 %, contre 54,5 % pour Opus 4.6. Pour des tâches comme lire une capture d’écran, comprendre la mise en page d’un document, cliquer au bon endroit dans une interface ou piloter un agent de computer use, c’est le signal le plus direct parmi les quatre modèles étudiés.

Sur le code, une synthèse indique qu’AWS cite Claude Opus 4.7 à 64,3 % sur SWE-Bench Pro, 87,6 % sur SWE-Bench Verified et 69,4 % sur Terminal-Bench 2.0. Ces chiffres placent Claude en tête des scores SWE-Bench disponibles ici, mais ils restent moins solides qu’un tableau officiel directement comparable pour les quatre modèles. En production, il faut donc le refaire passer sur vos propres dépôts.

Il y a aussi une réserve opérationnelle : la documentation d’Anthropic rappelle que les images haute résolution consomment davantage de tokens. Si le niveau de détail visuel n’est pas nécessaire, Anthropic conseille de réduire la résolution avant d’envoyer l’image à Claude afin d’éviter une hausse de la consommation.

À tester en priorité si vous faites : réparation d’issues GitHub, agents de développement, compréhension de captures d’écran ou de documents, computer use et tâches d’interface nécessitant des coordonnées de pixels précises.

Kimi K2.6 : un candidat agentique multimodal, surtout si vous êtes sur Workers AI

Cloudflare indique que Moonshot AI Kimi K2.6 est disponible sur Workers AI depuis le 20 avril 2026, avec l’identifiant de modèle @cf/moonshotai/kimi-k2.6, dans le cadre d’une prise en charge dès le lancement en partenariat avec Moonshot AI.

La même source décrit Kimi K2.6 comme un modèle agentique multimodal natif, orienté long-horizon coding, design piloté par le code, exécution autonome proactive et orchestration de tâches en essaim. Cloudflare précise aussi qu’il repose sur une architecture Mixture-of-Experts, avec 1T de paramètres au total et 32B de paramètres actifs par token.

Côté scores publics, la carte Hugging Face de Kimi K2.6 liste 66,7 sur Terminal-Bench 2.0, 58,6 sur SWE-Bench Pro et 76,7 sur SWE-Bench Multilingual. MarkTechPost rapporte en outre un score de 80,2 sur SWE-Bench Verified.

À tester en priorité si vous faites : déploiement sur Cloudflare Workers AI, agents multimodaux, code sur de longues séquences, design généré par le code ou orchestration de plusieurs agents.

DeepSeek V4-Pro : la carte la plus complète en connaissances et maths

DeepSeek V4 est présenté en deux variantes, V4-Pro et V4-Flash. Yahoo Finance rapporte que DeepSeek décrit V4-Pro comme nettement devant les autres modèles open source sur les benchmarks de connaissances générales, tout en restant légèrement derrière Gemini-Pro-3.1, et que V4-Flash est présenté comme une option plus efficace et économique.

La carte Hugging Face de DeepSeek-V4-Pro fournit la série de chiffres la plus complète de ce comparatif pour connaissances, maths, code et terminal : GPQA Diamond 90,1 ; GSM8K 92,6 ; HLE 37,7 ; MMLU-Pro 87,5 ; SWE-Bench Pro 55,4 ; SWE-Bench Verified/Resolved 80,6 ; TerminalBench 2.0 67,9.

CNBC rapporte aussi que DeepSeek dit avoir optimisé V4 pour des outils d’agents comme Claude Code et OpenClaw. Le média cite Wei Sun, analyste principale IA chez Counterpoint, selon qui le profil de benchmark de V4 suggère une capacité agentique excellente à coût nettement inférieur.

À tester en priorité si vous cherchez : un modèle ouvert à évaluer, de bons signaux en connaissances et en maths, un compromis coût/capacités pour des agents, ou une option à exécuter dans un environnement local ou autogéré lorsque le cadre de licence et de déploiement le permet.

Choisir par tâche : la shortlist la plus utile

• Automatisation terminal / agents en ligne de commande : commencez par GPT-5.5. Dans les chiffres citables, GPT-5.5 atteint 82,7 % sur Terminal-Bench 2.0, devant Claude Opus 4.7 à 69,4 %, DeepSeek V4-Pro à 67,9 et Kimi K2.6 à 66,7.
• Réparation logicielle / tâches de type SWE-Bench Pro : commencez par Claude Opus 4.7, mais validez sur vos dépôts. Les scores disponibles donnent Claude Opus 4.7 à 64,3 %, GPT-5.5 et Kimi K2.6 à 58,6, et DeepSeek V4-Pro à 55,4 ; la réserve est que le chiffre Claude vient d’une source secondaire.
• Captures d’écran, documents, interfaces et computer use : Claude Opus 4.7 est le premier candidat. Anthropic documente des gains pour les workflows visuels et le computer use, ainsi que des coordonnées 1:1 en pixels ; la page de lancement cite aussi le résultat XBOW de 98,5 %.
• Connaissances, maths et trajectoire modèle ouvert : mettez DeepSeek V4-Pro dans la shortlist. Sa carte Hugging Face réunit des scores GPQA Diamond, GSM8K, HLE, MMLU-Pro, SWE-Bench et TerminalBench 2.0.
• Workflows d’agents multimodaux sur Workers AI : Kimi K2.6 vaut un test. Cloudflare le rend disponible sur Workers AI et le positionne sur le long-horizon coding, le design piloté par le code et l’orchestration de tâches en essaim.

Avant d’adopter, refaites les tests dans les mêmes conditions

Pour obtenir une conclusion défendable en interne, il faut reprendre les quatre modèles avec le même identifiant de version ou d’API, la même longueur de contexte, les mêmes outils autorisés, le même effort de raisonnement, la même température, le même budget de tokens et le même harnais de scoring. Les permissions d’outils sont particulièrement sensibles : l’exemple HLE rapporté par Mashable montre que les résultats avec outils et sans outils peuvent inverser les écarts relatifs.

Le coût doit être mesuré en même temps que la qualité. Artificial Analysis indique que GPT-5.5 xhigh coûte environ 20 % de plus que son prédécesseur sur son Index, 30 % de moins que Claude Opus 4.7 max, et utilise environ 40 % de tokens de sortie en moins que son prédécesseur. Côté Claude, Anthropic rappelle que les images haute résolution augmentent la consommation de tokens.

Pour un agent en production, le bon modèle n’est donc pas seulement celui qui gagne une ligne de benchmark. Il faut aussi regarder la latence, la stabilité des appels d’outils, le taux de correction après erreur, la consommation de tokens et la facilité d’intégration dans votre pile technique.

En clair

Le comparatif le plus honnête n’est pas un classement général. Avec les données disponibles, GPT-5.5 est le meilleur premier choix pour Terminal-Bench et les workflows CLI ; Claude Opus 4.7 est le candidat le plus convaincant pour SWE-Bench, la vision et le computer use ; DeepSeek V4-Pro apporte la carte de scores la plus complète en connaissances et maths ; Kimi K2.6 mérite l’attention pour des agents multimodaux sur Workers AI.

Un vrai podium n’aura de sens que lorsque les quatre modèles auront été testés dans le même harnais, avec les mêmes outils, les mêmes versions et les mêmes paramètres d’effort.

Le tableau rapide des scores citables

Les tirets ci-dessous signifient seulement que les sources disponibles ne donnent pas de score comparable dans cette colonne. Ils ne disent pas que le modèle est faible sur la tâche. Surtout, ces résultats ne viennent pas tous du même harnais officiel : ils servent à filtrer les candidats, pas à proclamer un classement absolu.

Pourquoi il ne faut pas faire un podium général

Premier problème : les sources ne sont pas du même niveau. Les chiffres de GPT-5.5 sur Terminal-Bench 2.0 et SWE-Bench Pro viennent d’un article relayant des résultats fournis par OpenAI ; les scores de Claude Opus 4.7 sur SWE-Bench Pro, SWE-Bench Verified et Terminal-Bench 2.0 proviennent d’une synthèse secondaire citant AWS ; une partie des scores Kimi K2.6 et DeepSeek V4-Pro vient de cartes modèles Hugging Face.

Deuxième problème : les outils changent la hiérarchie. Mashable rapporte par exemple des scores HLE où, sans outils, Claude Opus 4.7 obtient 46,9 % contre 42,7 % pour GPT-5.4 Pro ; avec outils, GPT-5.4 Pro monte à 58,7 % contre 54,7 % pour Claude Opus 4.7. Ce ne sont pas des scores GPT-5.5, mais l’exemple montre pourquoi il ne faut pas mélanger des évaluations avec et sans outils dans le même classement.

Troisième problème : la version et le coût comptent. DeepSeek V4 existe en V4-Pro et V4-Flash, Yahoo Finance rapportant que V4-Flash est présenté comme une option plus efficace et plus économique ; les chiffres détaillés cités ici concernent surtout DeepSeek-V4-Pro. De son côté, Artificial Analysis distingue plusieurs variantes d’effort pour GPT-5.5 et indique que GPT-5.5 xhigh coûte environ 20 % de plus que son prédécesseur sur son Index, tout en étant 30 % moins cher que Claude Opus 4.7 max.

GPT-5.5 : le signal le plus fort côté terminal et contexte long

Le point le plus clair pour GPT-5.5 est Terminal-Bench 2.0, un test orienté workflows en ligne de commande. Yahoo Finance / Investing.com rapporte que les benchmarks fournis par OpenAI donnent GPT-5.5 à 82,7 % sur Terminal-Bench 2.0 et à 58,6 % sur SWE-Bench Pro, ce dernier évaluant la résolution d’issues GitHub.

OpenAI publie aussi des chiffres détaillés sur le long contexte. Dans Graphwalks BFS, GPT-5.5 est donné à 73,7 en 256k et 45,4 en 1M ; dans Graphwalks parents, il atteint 90,1 en 256k et 58,5 en 1M. Le même tableau montre aussi que GPT-5.4 était à 9,4 sur Graphwalks BFS 1M, contre 45,4 pour GPT-5.5.

Côté évaluation tierce, Artificial Analysis présente GPT-5.5 comme son nouveau modèle leader, indique qu’OpenAI mène cinq de ses évaluations principales et arrive deuxième derrière Gemini 3.1 Pro Preview sur trois autres ; le même article précise que GPT-5.5 xhigh utilise environ 40 % de tokens de sortie en moins que son prédécesseur pour exécuter son Index.

À tester en priorité si vous faites : agents de terminal, automatisation CLI, workflows de code avec outils, recherche sur très longs contextes ou pipelines où le volume de tokens de sortie pèse fortement dans le coût.

Claude Opus 4.7 : très solide en code, surtout mieux documenté en vision

Claude Opus 4.7 est le modèle le mieux étayé pour les tâches visuelles et les interfaces graphiques. La documentation API d’Anthropic indique que les changements apportés doivent débloquer des gains sur les workloads fortement visuels, en particulier le computer use, les captures d’écran, les artefacts et la compréhension de documents. Elle précise aussi que les coordonnées du modèle correspondent désormais aux pixels réels en 1:1, ce qui évite les calculs de facteur d’échelle.

Anthropic cite également, sur sa page de lancement, le benchmark d’acuité visuelle de XBOW : Claude Opus 4.7 y atteint 98,5 %, contre 54,5 % pour Opus 4.6. Pour des tâches comme lire une capture d’écran, comprendre la mise en page d’un document, cliquer au bon endroit dans une interface ou piloter un agent de computer use, c’est le signal le plus direct parmi les quatre modèles étudiés.

Sur le code, une synthèse indique qu’AWS cite Claude Opus 4.7 à 64,3 % sur SWE-Bench Pro, 87,6 % sur SWE-Bench Verified et 69,4 % sur Terminal-Bench 2.0. Ces chiffres placent Claude en tête des scores SWE-Bench disponibles ici, mais ils restent moins solides qu’un tableau officiel directement comparable pour les quatre modèles. En production, il faut donc le refaire passer sur vos propres dépôts.

Il y a aussi une réserve opérationnelle : la documentation d’Anthropic rappelle que les images haute résolution consomment davantage de tokens. Si le niveau de détail visuel n’est pas nécessaire, Anthropic conseille de réduire la résolution avant d’envoyer l’image à Claude afin d’éviter une hausse de la consommation.

À tester en priorité si vous faites : réparation d’issues GitHub, agents de développement, compréhension de captures d’écran ou de documents, computer use et tâches d’interface nécessitant des coordonnées de pixels précises.

Kimi K2.6 : un candidat agentique multimodal, surtout si vous êtes sur Workers AI

Cloudflare indique que Moonshot AI Kimi K2.6 est disponible sur Workers AI depuis le 20 avril 2026, avec l’identifiant de modèle @cf/moonshotai/kimi-k2.6, dans le cadre d’une prise en charge dès le lancement en partenariat avec Moonshot AI.

La même source décrit Kimi K2.6 comme un modèle agentique multimodal natif, orienté long-horizon coding, design piloté par le code, exécution autonome proactive et orchestration de tâches en essaim. Cloudflare précise aussi qu’il repose sur une architecture Mixture-of-Experts, avec 1T de paramètres au total et 32B de paramètres actifs par token.

Côté scores publics, la carte Hugging Face de Kimi K2.6 liste 66,7 sur Terminal-Bench 2.0, 58,6 sur SWE-Bench Pro et 76,7 sur SWE-Bench Multilingual. MarkTechPost rapporte en outre un score de 80,2 sur SWE-Bench Verified.

À tester en priorité si vous faites : déploiement sur Cloudflare Workers AI, agents multimodaux, code sur de longues séquences, design généré par le code ou orchestration de plusieurs agents.

DeepSeek V4-Pro : la carte la plus complète en connaissances et maths

DeepSeek V4 est présenté en deux variantes, V4-Pro et V4-Flash. Yahoo Finance rapporte que DeepSeek décrit V4-Pro comme nettement devant les autres modèles open source sur les benchmarks de connaissances générales, tout en restant légèrement derrière Gemini-Pro-3.1, et que V4-Flash est présenté comme une option plus efficace et économique.

La carte Hugging Face de DeepSeek-V4-Pro fournit la série de chiffres la plus complète de ce comparatif pour connaissances, maths, code et terminal : GPQA Diamond 90,1 ; GSM8K 92,6 ; HLE 37,7 ; MMLU-Pro 87,5 ; SWE-Bench Pro 55,4 ; SWE-Bench Verified/Resolved 80,6 ; TerminalBench 2.0 67,9.

CNBC rapporte aussi que DeepSeek dit avoir optimisé V4 pour des outils d’agents comme Claude Code et OpenClaw. Le média cite Wei Sun, analyste principale IA chez Counterpoint, selon qui le profil de benchmark de V4 suggère une capacité agentique excellente à coût nettement inférieur.

À tester en priorité si vous cherchez : un modèle ouvert à évaluer, de bons signaux en connaissances et en maths, un compromis coût/capacités pour des agents, ou une option à exécuter dans un environnement local ou autogéré lorsque le cadre de licence et de déploiement le permet.

Choisir par tâche : la shortlist la plus utile

• Automatisation terminal / agents en ligne de commande : commencez par GPT-5.5. Dans les chiffres citables, GPT-5.5 atteint 82,7 % sur Terminal-Bench 2.0, devant Claude Opus 4.7 à 69,4 %, DeepSeek V4-Pro à 67,9 et Kimi K2.6 à 66,7.
• Réparation logicielle / tâches de type SWE-Bench Pro : commencez par Claude Opus 4.7, mais validez sur vos dépôts. Les scores disponibles donnent Claude Opus 4.7 à 64,3 %, GPT-5.5 et Kimi K2.6 à 58,6, et DeepSeek V4-Pro à 55,4 ; la réserve est que le chiffre Claude vient d’une source secondaire.
• Captures d’écran, documents, interfaces et computer use : Claude Opus 4.7 est le premier candidat. Anthropic documente des gains pour les workflows visuels et le computer use, ainsi que des coordonnées 1:1 en pixels ; la page de lancement cite aussi le résultat XBOW de 98,5 %.
• Connaissances, maths et trajectoire modèle ouvert : mettez DeepSeek V4-Pro dans la shortlist. Sa carte Hugging Face réunit des scores GPQA Diamond, GSM8K, HLE, MMLU-Pro, SWE-Bench et TerminalBench 2.0.
• Workflows d’agents multimodaux sur Workers AI : Kimi K2.6 vaut un test. Cloudflare le rend disponible sur Workers AI et le positionne sur le long-horizon coding, le design piloté par le code et l’orchestration de tâches en essaim.

Avant d’adopter, refaites les tests dans les mêmes conditions

Pour obtenir une conclusion défendable en interne, il faut reprendre les quatre modèles avec le même identifiant de version ou d’API, la même longueur de contexte, les mêmes outils autorisés, le même effort de raisonnement, la même température, le même budget de tokens et le même harnais de scoring. Les permissions d’outils sont particulièrement sensibles : l’exemple HLE rapporté par Mashable montre que les résultats avec outils et sans outils peuvent inverser les écarts relatifs.

Le coût doit être mesuré en même temps que la qualité. Artificial Analysis indique que GPT-5.5 xhigh coûte environ 20 % de plus que son prédécesseur sur son Index, 30 % de moins que Claude Opus 4.7 max, et utilise environ 40 % de tokens de sortie en moins que son prédécesseur. Côté Claude, Anthropic rappelle que les images haute résolution augmentent la consommation de tokens.

Pour un agent en production, le bon modèle n’est donc pas seulement celui qui gagne une ligne de benchmark. Il faut aussi regarder la latence, la stabilité des appels d’outils, le taux de correction après erreur, la consommation de tokens et la facilité d’intégration dans votre pile technique.

En clair

Le comparatif le plus honnête n’est pas un classement général. Avec les données disponibles, GPT-5.5 est le meilleur premier choix pour Terminal-Bench et les workflows CLI ; Claude Opus 4.7 est le candidat le plus convaincant pour SWE-Bench, la vision et le computer use ; DeepSeek V4-Pro apporte la carte de scores la plus complète en connaissances et maths ; Kimi K2.6 mérite l’attention pour des agents multimodaux sur Workers AI.

Un vrai podium n’aura de sens que lorsque les quatre modèles auront été testés dans le même harnais, avec les mêmes outils, les mêmes versions et les mêmes paramètres d’effort.