Le verdict rapide

• GPT-5.5 est le premier modèle à tester pour les puzzles de raisonnement abstrait ARC et les agents pilotés par terminal : DocsBot lui attribue 85 % sur ARC-AGI-2 contre 75,8 % pour Claude Opus 4.7, tandis que VentureBeat rapporte 82,7 % sur Terminal-Bench 2.0 contre 69,4 % pour Claude et 67,9 % pour DeepSeek.
• Claude Opus 4.7 paraît plus solide sur les benchmarks de raisonnement difficile et d’ingénierie logicielle exigeante : VentureBeat le place devant GPT-5.5 et DeepSeek sur Humanity’s Last Exam, avec et sans outils, et DataCamp lui donne 64,3 % sur SWE-Bench Pro contre 58,6 % pour GPT-5.5 et 55,4 % pour DeepSeek V4 Pro.
• Kimi K2.6 est difficile à classer dans un tableau unique, mais il reste compétitif : Artificial Analysis lui donne 54, contre 57 pour GPT-5.5 medium et 52 pour Claude Opus 4.7 non-reasoning high ; AkitaOnRails lui donne 87 dans son benchmark de code.
• DeepSeek V4 n’est pas le leader des scores maximaux dans ces extraits, mais son prix API est très inférieur : Mashable indique 1,74 $ par million de tokens en entrée et 3,48 $ en sortie, contre 5 $/30 $ pour GPT-5.5 et 5 $/25 $ pour Claude Opus 4.7.

Tableau comparatif des benchmarks

Le signe — signifie que l’extrait fourni ne contient pas de résultat directement comparable pour ce modèle.

Pourquoi il n’y a pas de champion absolu

Le principal piège vient de la comparaison elle-même. Les tableaux ne mesurent pas toujours les mêmes variantes : Artificial Analysis compare notamment GPT-5.5 medium, Kimi K2.6 et Claude Opus 4.7 non-reasoning high ; AkitaOnRails utilise GPT-5.5 xHigh/Codex et distingue DeepSeek V4 Flash de DeepSeek V4 Pro ; VentureBeat affiche séparément GPT-5.5 et GPT-5.5 Pro.

Même le duel GPT-5.5 contre Claude Opus 4.7 ne se résume pas à une victoire nette. LLM Stats indique que, sur 10 benchmarks rapportés par les deux fournisseurs, Opus 4.7 mène sur 6 et GPT-5.5 sur 4. Les avantages de Claude se concentrent sur les tests lourds en raisonnement et en revue, tandis que ceux de GPT-5.5 se situent davantage sur l’usage prolongé d’outils et les tâches pilotées par shell.

Là où GPT-5.5 se détache

Les meilleurs signaux pour GPT-5.5 viennent d’ARC et de Terminal-Bench. Sur ARC-AGI-2, il atteint 85 % contre 75,8 % pour Claude Opus 4.7 ; sur ARC-AGI-1, il obtient 95 % contre 93,5 %. Sur Terminal-Bench 2.0, il grimpe à 82,7 %, nettement au-dessus de Claude Opus 4.7 à 69,4 % et de DeepSeek à 67,9 %.

Artificial Analysis va dans le même sens sur son extrait disponible : GPT-5.5 medium y obtient 57, contre 54 pour Kimi K2.6 et 52 pour Claude Opus 4.7 non-reasoning high. Cela ne suffit toutefois pas à en faire le meilleur choix universel, car d’autres tests donnent l’avantage à Claude sur le raisonnement et l’ingénierie logicielle.

Là où Claude Opus 4.7 paraît le plus fort

Claude Opus 4.7 se distingue surtout lorsque la tâche demande un raisonnement long, une vérification fine ou une bonne tenue sur du code complexe. Sur Humanity’s Last Exam sans outils, VentureBeat indique 46,9 % pour Claude, 41,4 % pour GPT-5.5 et 37,7 % pour DeepSeek. Avec outils, Claude atteint 54,7 %, contre 52,2 % pour GPT-5.5 et 48,2 % pour DeepSeek.

Sur SWE-Bench Pro, DataCamp donne 64,3 % à Claude Opus 4.7, 58,6 % à GPT-5.5 et 55,4 % à DeepSeek V4 Pro. Cette tendance rejoint l’analyse de LLM Stats, selon laquelle Claude mène GPT-5.5 sur GPQA, HLE sans outils, HLE avec outils, SWE-Bench Pro, MCP Atlas et FinanceAgent v1.1.

Comment lire les résultats de Kimi K2.6

Kimi K2.6 n’apparaît pas dans toutes les mêmes grilles que GPT-5.5, Claude Opus 4.7 et DeepSeek V4. Dans l’extrait d’Artificial Analysis, il obtient 54 : moins que GPT-5.5 medium à 57, mais plus que Claude Opus 4.7 non-reasoning high à 52.

Dans le benchmark de code d’AkitaOnRails, Kimi K2.6 obtient 87. C’est moins que Claude Opus 4.7 à 97 et GPT-5.5 xHigh/Codex à 96, mais plus que DeepSeek V4 Flash à 78 et DeepSeek V4 Pro à 69. Verdent donne aussi 80,2 % à Kimi K2.6 sur SWE-Bench Verified, contre 87,6 % pour Claude Opus 4.7.

Son intérêt pratique tient aussi à son positionnement à poids ouverts. Verdent indique que les poids de K2.6 sont disponibles sur Hugging Face et peuvent être exécutés via vLLM, SGLang ou KTransformers ; le même guide mentionne une configuration minimale viable de 4× H100 pour la variante INT4 avec contexte réduit. Le README Hugging Face cite aussi des métriques agentiques pour Kimi K2.6, comme HLE-Full avec outils à 54,0, BrowseComp à 83,2, DeepSearchQA en f1-score à 92,5, Toolathlon à 50,0 et MCPMark à 55,9, mais cette table le compare surtout à GPT-5.4, Claude Opus 4.6 et Gemini 3.1 Pro, pas à l’ensemble complet de ce comparatif.

DeepSeek V4 : moins de records, mais un prix qui compte

Dans les sources fournies, DeepSeek V4 ressemble davantage à une option de valeur qu’à un champion des scores bruts. VentureBeat le place derrière GPT-5.5 et Claude Opus 4.7 sur Humanity’s Last Exam sans outils, Humanity’s Last Exam avec outils et Terminal-Bench 2.0. DataCamp donne 55,4 % à DeepSeek V4 Pro sur SWE-Bench Pro, contre 58,6 % pour GPT-5.5 et 64,3 % pour Claude Opus 4.7. AkitaOnRails donne 78 à DeepSeek V4 Flash et 69 à DeepSeek V4 Pro, sous Kimi K2.6, GPT-5.5 xHigh/Codex et Claude Opus 4.7 dans le même tableau.

Mais le prix change la décision produit. Mashable indique que DeepSeek V4 coûte 1,74 $ par million de tokens en entrée et 3,48 $ par million de tokens en sortie, contre 5 $/30 $ pour GPT-5.5 et 5 $/25 $ pour Claude Opus 4.7. Cela ne le transforme pas en vainqueur des benchmarks, mais peut en faire un candidat naturel pour des brouillons en volume, des tests internes peu risqués ou des évaluations où le coût par tentative pèse lourd.

Quel modèle tester en premier ?

• Raisonnement visuel, ARC et puzzles abstraits : commencez par GPT-5.5, devant Claude Opus 4.7 sur ARC-AGI-2 et ARC-AGI-1 dans le comparatif DocsBot.
• Raisonnement difficile et tâches de type HLE : commencez par Claude Opus 4.7 si vous comparez les lignes de base ; notez toutefois que GPT-5.5 Pro dépasse Claude sur HLE avec outils dans l’extrait VentureBeat.
• Agents en terminal, shell et usage d’outils : commencez par GPT-5.5, dont Terminal-Bench 2.0 est l’un des meilleurs résultats directs dans ces sources.
• SWE-Bench Pro et ingénierie logicielle avec forte exigence de revue : commencez par Claude Opus 4.7, car DataCamp et LLM Stats signalent tous deux son avantage sur SWE-Bench Pro.
• Déploiement à poids ouverts ou auto-hébergement : testez Kimi K2.6 si l’accès aux poids, Hugging Face, vLLM, SGLang ou KTransformers pèse plus lourd que l’accès par API uniquement.
• Expériences à gros volume et budget serré : regardez DeepSeek V4 si le coût par appel compte plus que le meilleur score possible sur benchmark.

En résumé

La tête du peloton se joue surtout entre GPT-5.5 et Claude Opus 4.7, mais pas sur les mêmes terrains. GPT-5.5 ressort mieux sur ARC et Terminal-Bench, tandis que Claude Opus 4.7 garde l’avantage sur HLE et SWE-Bench Pro. Kimi K2.6 reste un candidat sérieux pour le code et les workflows agentiques, surtout si les poids ouverts sont un critère important. DeepSeek V4, lui, apparaît moins souvent premier au score brut, mais son prix API en fait une option à considérer pour les pilotes orientés coût-performance.

Le verdict rapide

• GPT-5.5 est le premier modèle à tester pour les puzzles de raisonnement abstrait ARC et les agents pilotés par terminal : DocsBot lui attribue 85 % sur ARC-AGI-2 contre 75,8 % pour Claude Opus 4.7, tandis que VentureBeat rapporte 82,7 % sur Terminal-Bench 2.0 contre 69,4 % pour Claude et 67,9 % pour DeepSeek.
• Claude Opus 4.7 paraît plus solide sur les benchmarks de raisonnement difficile et d’ingénierie logicielle exigeante : VentureBeat le place devant GPT-5.5 et DeepSeek sur Humanity’s Last Exam, avec et sans outils, et DataCamp lui donne 64,3 % sur SWE-Bench Pro contre 58,6 % pour GPT-5.5 et 55,4 % pour DeepSeek V4 Pro.
• Kimi K2.6 est difficile à classer dans un tableau unique, mais il reste compétitif : Artificial Analysis lui donne 54, contre 57 pour GPT-5.5 medium et 52 pour Claude Opus 4.7 non-reasoning high ; AkitaOnRails lui donne 87 dans son benchmark de code.
• DeepSeek V4 n’est pas le leader des scores maximaux dans ces extraits, mais son prix API est très inférieur : Mashable indique 1,74 $ par million de tokens en entrée et 3,48 $ en sortie, contre 5 $/30 $ pour GPT-5.5 et 5 $/25 $ pour Claude Opus 4.7.

Tableau comparatif des benchmarks

Le signe — signifie que l’extrait fourni ne contient pas de résultat directement comparable pour ce modèle.

Pourquoi il n’y a pas de champion absolu

Le principal piège vient de la comparaison elle-même. Les tableaux ne mesurent pas toujours les mêmes variantes : Artificial Analysis compare notamment GPT-5.5 medium, Kimi K2.6 et Claude Opus 4.7 non-reasoning high ; AkitaOnRails utilise GPT-5.5 xHigh/Codex et distingue DeepSeek V4 Flash de DeepSeek V4 Pro ; VentureBeat affiche séparément GPT-5.5 et GPT-5.5 Pro.

Même le duel GPT-5.5 contre Claude Opus 4.7 ne se résume pas à une victoire nette. LLM Stats indique que, sur 10 benchmarks rapportés par les deux fournisseurs, Opus 4.7 mène sur 6 et GPT-5.5 sur 4. Les avantages de Claude se concentrent sur les tests lourds en raisonnement et en revue, tandis que ceux de GPT-5.5 se situent davantage sur l’usage prolongé d’outils et les tâches pilotées par shell.

Là où GPT-5.5 se détache

Les meilleurs signaux pour GPT-5.5 viennent d’ARC et de Terminal-Bench. Sur ARC-AGI-2, il atteint 85 % contre 75,8 % pour Claude Opus 4.7 ; sur ARC-AGI-1, il obtient 95 % contre 93,5 %. Sur Terminal-Bench 2.0, il grimpe à 82,7 %, nettement au-dessus de Claude Opus 4.7 à 69,4 % et de DeepSeek à 67,9 %.

Artificial Analysis va dans le même sens sur son extrait disponible : GPT-5.5 medium y obtient 57, contre 54 pour Kimi K2.6 et 52 pour Claude Opus 4.7 non-reasoning high. Cela ne suffit toutefois pas à en faire le meilleur choix universel, car d’autres tests donnent l’avantage à Claude sur le raisonnement et l’ingénierie logicielle.

Là où Claude Opus 4.7 paraît le plus fort

Claude Opus 4.7 se distingue surtout lorsque la tâche demande un raisonnement long, une vérification fine ou une bonne tenue sur du code complexe. Sur Humanity’s Last Exam sans outils, VentureBeat indique 46,9 % pour Claude, 41,4 % pour GPT-5.5 et 37,7 % pour DeepSeek. Avec outils, Claude atteint 54,7 %, contre 52,2 % pour GPT-5.5 et 48,2 % pour DeepSeek.

Sur SWE-Bench Pro, DataCamp donne 64,3 % à Claude Opus 4.7, 58,6 % à GPT-5.5 et 55,4 % à DeepSeek V4 Pro. Cette tendance rejoint l’analyse de LLM Stats, selon laquelle Claude mène GPT-5.5 sur GPQA, HLE sans outils, HLE avec outils, SWE-Bench Pro, MCP Atlas et FinanceAgent v1.1.

Comment lire les résultats de Kimi K2.6

Kimi K2.6 n’apparaît pas dans toutes les mêmes grilles que GPT-5.5, Claude Opus 4.7 et DeepSeek V4. Dans l’extrait d’Artificial Analysis, il obtient 54 : moins que GPT-5.5 medium à 57, mais plus que Claude Opus 4.7 non-reasoning high à 52.

Dans le benchmark de code d’AkitaOnRails, Kimi K2.6 obtient 87. C’est moins que Claude Opus 4.7 à 97 et GPT-5.5 xHigh/Codex à 96, mais plus que DeepSeek V4 Flash à 78 et DeepSeek V4 Pro à 69. Verdent donne aussi 80,2 % à Kimi K2.6 sur SWE-Bench Verified, contre 87,6 % pour Claude Opus 4.7.

Son intérêt pratique tient aussi à son positionnement à poids ouverts. Verdent indique que les poids de K2.6 sont disponibles sur Hugging Face et peuvent être exécutés via vLLM, SGLang ou KTransformers ; le même guide mentionne une configuration minimale viable de 4× H100 pour la variante INT4 avec contexte réduit. Le README Hugging Face cite aussi des métriques agentiques pour Kimi K2.6, comme HLE-Full avec outils à 54,0, BrowseComp à 83,2, DeepSearchQA en f1-score à 92,5, Toolathlon à 50,0 et MCPMark à 55,9, mais cette table le compare surtout à GPT-5.4, Claude Opus 4.6 et Gemini 3.1 Pro, pas à l’ensemble complet de ce comparatif.

DeepSeek V4 : moins de records, mais un prix qui compte

Dans les sources fournies, DeepSeek V4 ressemble davantage à une option de valeur qu’à un champion des scores bruts. VentureBeat le place derrière GPT-5.5 et Claude Opus 4.7 sur Humanity’s Last Exam sans outils, Humanity’s Last Exam avec outils et Terminal-Bench 2.0. DataCamp donne 55,4 % à DeepSeek V4 Pro sur SWE-Bench Pro, contre 58,6 % pour GPT-5.5 et 64,3 % pour Claude Opus 4.7. AkitaOnRails donne 78 à DeepSeek V4 Flash et 69 à DeepSeek V4 Pro, sous Kimi K2.6, GPT-5.5 xHigh/Codex et Claude Opus 4.7 dans le même tableau.

Mais le prix change la décision produit. Mashable indique que DeepSeek V4 coûte 1,74 $ par million de tokens en entrée et 3,48 $ par million de tokens en sortie, contre 5 $/30 $ pour GPT-5.5 et 5 $/25 $ pour Claude Opus 4.7. Cela ne le transforme pas en vainqueur des benchmarks, mais peut en faire un candidat naturel pour des brouillons en volume, des tests internes peu risqués ou des évaluations où le coût par tentative pèse lourd.

Quel modèle tester en premier ?

• Raisonnement visuel, ARC et puzzles abstraits : commencez par GPT-5.5, devant Claude Opus 4.7 sur ARC-AGI-2 et ARC-AGI-1 dans le comparatif DocsBot.
• Raisonnement difficile et tâches de type HLE : commencez par Claude Opus 4.7 si vous comparez les lignes de base ; notez toutefois que GPT-5.5 Pro dépasse Claude sur HLE avec outils dans l’extrait VentureBeat.
• Agents en terminal, shell et usage d’outils : commencez par GPT-5.5, dont Terminal-Bench 2.0 est l’un des meilleurs résultats directs dans ces sources.
• SWE-Bench Pro et ingénierie logicielle avec forte exigence de revue : commencez par Claude Opus 4.7, car DataCamp et LLM Stats signalent tous deux son avantage sur SWE-Bench Pro.
• Déploiement à poids ouverts ou auto-hébergement : testez Kimi K2.6 si l’accès aux poids, Hugging Face, vLLM, SGLang ou KTransformers pèse plus lourd que l’accès par API uniquement.
• Expériences à gros volume et budget serré : regardez DeepSeek V4 si le coût par appel compte plus que le meilleur score possible sur benchmark.

En résumé

La tête du peloton se joue surtout entre GPT-5.5 et Claude Opus 4.7, mais pas sur les mêmes terrains. GPT-5.5 ressort mieux sur ARC et Terminal-Bench, tandis que Claude Opus 4.7 garde l’avantage sur HLE et SWE-Bench Pro. Kimi K2.6 reste un candidat sérieux pour le code et les workflows agentiques, surtout si les poids ouverts sont un critère important. DeepSeek V4, lui, apparaît moins souvent premier au score brut, mais son prix API en fait une option à considérer pour les pilotes orientés coût-performance.