GPT-5.5 vs Claude Opus 4.7 vs Kimi K2.6 vs DeepSeek V4 : le classement dépend du test

Tableau de synthèse

Ici, n.d. signifie que la valeur n’est pas disponible dans les sources utilisées, pas que le modèle a obtenu zéro.

Raisonnement : Claude devant sans outils, GPT-5.5 Pro devant avec outils

Sur GPQA Diamond, Claude Opus 4.7 devance légèrement GPT-5.5 : 94,2 % contre 93,6 %, tandis que DeepSeek-V4-Pro-Max atteint 90,1 % . Sur Humanity’s Last Exam sans outils, l’écart en faveur de Claude est plus net : 46,9 % contre 41,4 % pour GPT-5.5, 43,1 % pour GPT-5.5 Pro et 37,7 % pour DeepSeek-V4-Pro-Max .

Mais le classement change dès que les outils sont autorisés. Dans HLE avec outils, GPT-5.5 Pro atteint 57,2 %, devant Claude Opus 4.7 à 54,7 %, GPT-5.5 à 52,2 % et DeepSeek-V4-Pro-Max à 48,2 % . La lecture la plus juste est donc la suivante : Claude paraît plus solide en raisonnement pur sans outils, tandis que GPT-5.5 Pro prend l’avantage dans le raisonnement augmenté par outils sur cette ligne HLE .

Coding et tâches agentiques : l’écart le plus marqué est sur Terminal-Bench

La plus forte avance de GPT-5.5 dans cette sélection se voit sur Terminal-Bench 2.0 : 82,7 %, contre 69,4 % pour Claude Opus 4.7 et 67,9 % pour DeepSeek-V4-Pro-Max . Pour Kimi K2.6, la carte modèle indique 66,7 sur Terminal-Bench 2.0 ; un leaderboard LLM Stats donne aussi 0,667 pour Kimi K2.6 et 0,694 pour Claude Opus 4.7 . Kimi se situe donc près du bloc Claude/DeepSeek sur cette échelle, mais reste nettement sous GPT-5.5 si l’on se réfère à la table commune .

Sur SWE-Bench Pro / SWE Pro, le tableau est différent. Claude Opus 4.7 mène avec 64,3 %, devant GPT-5.5 à 58,6 % et DeepSeek-V4-Pro-Max à 55,4 % . Kimi K2.6 affiche aussi 58,6 sur SWE-Bench Pro dans sa carte Hugging Face, mais ce chiffre ne provient pas du même passage comparatif que la table commune .

SWE-Bench Verified demande encore plus de prudence. Pour Kimi K2.6, la carte modèle et le fichier d’évaluation indiquent 80,2 . Un autre aperçu de DeepSeek V4 donne 87,6 % pour Claude Opus 4.7 et 80,6 % pour DeepSeek V4-Pro, mais il ne fournit pas une ligne complète pour GPT-5.5 et ne concerne pas DeepSeek-V4-Pro-Max . Il vaut donc mieux ne pas transformer cette ligne en classement général des quatre modèles.

Lecture par modèle

GPT-5.5 et GPT-5.5 Pro

GPT-5.5 se distingue surtout sur Terminal-Bench 2.0 : ses 82,7 % constituent le meilleur résultat de la table commune sur cette ligne . GPT-5.5 Pro n’est pas renseigné partout, mais il mène là où il apparaît : 57,2 % sur HLE avec outils et 90,1 % sur BrowseComp .

En pratique, GPT-5.5 est donc le premier candidat à tester pour des scénarios agentiques en terminal. GPT-5.5 Pro est plus pertinent lorsque le cas d’usage combine raisonnement, outils externes et navigation web .

Claude Opus 4.7

Claude Opus 4.7 arrive en tête sur plusieurs lignes de la table commune : 94,2 % sur GPQA Diamond, 46,9 % sur HLE sans outils, 64,3 % sur SWE-Bench Pro / SWE Pro et 79,1 % sur MCP Atlas / MCPAtlas Public . En revanche, il cède la première place à GPT-5.5 sur Terminal-Bench 2.0, et à GPT-5.5 Pro sur HLE avec outils et BrowseComp .

Pour du raisonnement difficile sans outils, ou pour des tâches de code proches de SWE-Bench Pro, Claude Opus 4.7 ressort comme le meilleur premier choix dans les données disponibles .

Kimi K2.6

Kimi K2.6 ne peut pas être classé strictement contre tous les autres sur une seule table commune, car ses chiffres viennent d’une carte Hugging Face et d’un fichier d’évaluation séparé . Cela dit, son profil coding est notable : 80,2 sur SWE-Bench Verified, 58,6 sur SWE-Bench Pro, 76,7 sur SWE-Bench Multilingual, 66,7 sur Terminal-Bench 2.0 et 73,1 sur OSWorld-Verified .

Son autre intérêt est opérationnel : une source indique que ses poids sont disponibles sur Hugging Face et que l’exécution peut se faire via vLLM, SGLang ou KTransformers . Cela ne fait pas de Kimi le vainqueur de la table globale, mais en fait un candidat à part pour les équipes qui veulent tester l’autohébergement, l’inférence contrôlée ou des expérimentations locales .

DeepSeek V4

Dans la table commune, DeepSeek est représenté par DeepSeek-V4-Pro-Max . Sur les lignes citées, il ne prend pas la première place : 90,1 % sur GPQA Diamond, 37,7 % sur HLE sans outils, 48,2 % sur HLE avec outils, 67,9 % sur Terminal-Bench 2.0, 55,4 % sur SWE-Bench Pro / SWE Pro, 83,4 % sur BrowseComp et 73,6 % sur MCP Atlas / MCPAtlas Public .

Son argument principal, dans cette sélection, n’est donc pas le sommet absolu des benchmarks, mais le rapport prix/performance. Mashable et DataCamp indiquent des prix API DeepSeek V4 de 1,74 $ par million de tokens d’entrée et 3,48 $ par million de tokens de sortie ; les mêmes sources donnent 5 $/30 $ pour GPT-5.5 et 5 $/25 $ pour Claude Opus 4.7 . Si le budget est la contrainte numéro un, DeepSeek V4 mérite une évaluation interne, sans pour autant être présenté comme le leader de ces benchmarks .

Les limites à garder en tête

1. Il n’existe pas une seule exécution commune pour les quatre modèles sur toutes les lignes. La table la plus comparable couvre GPT-5.5, GPT-5.5 Pro, Claude Opus 4.7 et DeepSeek-V4-Pro-Max ; Kimi K2.6 vient de sources séparées .
2. DeepSeek V4 ne désigne pas toujours la même variante. La table commune parle de DeepSeek-V4-Pro-Max, tandis que la donnée SWE-Bench Verified séparée concerne DeepSeek V4-Pro .
3. GPT-5.5 Pro n’est pas renseigné partout. On ne peut pas extrapoler automatiquement ses résultats aux lignes où aucune valeur n’est donnée .
4. Kimi K2.6 doit être validé avec vos propres évaluations. Ses chiffres Hugging Face sont utiles, mais ils ne proviennent pas du même comparatif que ceux de GPT-5.5, Claude Opus 4.7 et DeepSeek-V4-Pro-Max .

Verdict

Sur les lignes réellement comparables, Claude Opus 4.7 gagne GPQA Diamond, Humanity’s Last Exam sans outils, SWE-Bench Pro et MCP Atlas ; GPT-5.5 gagne Terminal-Bench 2.0 ; GPT-5.5 Pro gagne HLE avec outils et BrowseComp . Kimi K2.6 ressemble à un candidat sérieux pour le code avec poids disponibles, mais il ne doit pas être classé à égalité méthodologique avec les autres sans passage de test commun . DeepSeek V4, lui, n’est pas le leader de ces lignes de benchmarks, mais ses prix API publiés en font un modèle à intégrer dans les essais lorsque le coût compte autant que la performance brute .