studioglobal
Temukan yang Sedang Tren
LaporanDipublikasikan12 sumber

Claude Opus 4.7 vs GPT-5.5: Benchmark 2026, dan Status DeepSeek V4/Kimi K2.6

Untuk data yang benar benar head to head, GPT 5.5 unggul di Terminal Bench 2.0, 82,7% vs 69,4%, sementara Claude Opus 4.7 unggul di SWE Bench Pro Public, 64,3% vs 58,6%; DeepSeek V4 dan Kimi K2.6 belum punya angka ben... Tidak ada juara universal: Claude lebih kuat di MCP Atlas dan FinanceAgent, sedangkan GPT 5.5 le...

Cari dan periksa fakta dengan Studio Global AIJelajahi lebih banyak dari Discover
16K0
Ilustrasi perbandingan benchmark AI antara Claude Opus 4.7, GPT-5.5, DeepSeek V4, dan Kimi K2.6
Claude Opus 4.7 vs GPT-5.5: Benchmark 2026 dan Status DeepSeek V4/Kimi K2.6Ilustrasi AI-generated untuk perbandingan benchmark model AI frontier 2026.
AI Perintah

Create a landscape editorial hero image for this Studio Global article: Claude Opus 4.7 vs GPT-5.5: Benchmark 2026 dan Status DeepSeek V4/Kimi K2.6. Article summary: Bukti terkuat hanya mendukung head to head Claude Opus 4.7 vs GPT 5.5: GPT 5.5 unggul di Terminal Bench 2.0 (82.7% vs 69.4%), sedangkan Claude unggul di SWE Bench Pro (64.3% vs 58.6%); DeepSeek V4 dan Kimi K2.6 belum.... Topic tags: ai, ai benchmarks, openai, anthropic, claude. Reference image context from search candidates: Reference image 1: visual subject "[Kimi K2 vs Claude Opus 4.7 vs GPT 5.5 Comparison](https://www.youtube.com/watch?v=M90iB4hpenI). ![Image 4](https://www.youtube.com/watch?v=M90iB4hpenI). [](https://www.youtube.com" source context "Kimi K2 vs Claude Opus 4.7 vs GPT 5.5 Comparison - YouTube" Reference image 2: visual subject "[Kimi K2 vs Claude Opus 4.7 vs GPT 5.5 Comparison](https://www.youtube.com/watc

openai.com

Benchmark AI 2026 mudah menyesatkan jika empat nama model dimasukkan ke satu leaderboard tanpa memastikan benchmark dan versi modelnya sama. Dalam sumber yang tersedia, perbandingan paling kuat adalah Claude Opus 4.7 vs GPT-5.5, karena keduanya muncul pada benchmark yang sama di tabel OpenAI dan Vellum [5][2]. Untuk DeepSeek V4 dan Kimi K2.6, belum ada angka langsung di sumber ini; data terdekat justru merujuk ke DeepSeek V3.2, KimiK2.5, dan Kimi K2 Thinking [1][13][6].

Temuan utama

  • GPT-5.5 terlihat paling kuat untuk terminal/CLI, office/professional tasks, browser/search, dan beberapa eval matematika dalam data yang tersedia [5][2].
  • Claude Opus 4.7 terlihat lebih kuat untuk SWE-Bench Pro Public, MCP/tool orchestration, dan FinanceAgent v1.1 dalam benchmark yang sama [5][2].
  • DeepSeek V4 dan Kimi K2.6 belum bisa diranking secara adil melawan Claude Opus 4.7 atau GPT-5.5 berdasarkan sumber ini, karena angka yang tersedia menyebut versi lain [1][13][6].

Angka benchmark yang benar-benar sebanding

Tabel berikut hanya memasangkan Claude Opus 4.7 dan GPT-5.5 pada benchmark yang sama. Hasil GPT-5.5 Pro hanya disebut saat sumber menampilkannya sebagai varian terpisah [2].

Kebutuhan produkBenchmarkHasil yang dilaporkanPembacaan
Coding repairSWE-Bench Pro PublicClaude Opus 4.7 64,3% vs GPT-5.5 58,6% [5]Claude unggul pada benchmark ini.
Terminal/CLI agentTerminal-Bench 2.0GPT-5.5 82,7% vs Claude Opus 4.7 69,4% [5]GPT-5.5 unggul paling jelas di kategori terminal.
Professional workGDPval; OfficeQA ProGPT-5.5 84,9% vs Claude 80,3% di GDPval; GPT-5.5 54,1% vs Claude 43,6% di OfficeQA Pro [5]GPT-5.5 lebih kuat pada dua metrik kerja profesional ini.
Finance agentFinanceAgent v1.1Claude 64,4% vs GPT-5.5 60,0% [5]Claude unggul pada eval finance agent ini.
Computer/browser tasksOSWorld-Verified; BrowseCompGPT-5.5 78,7% vs Claude 78,0% di OSWorld; GPT-5.5 84,4% dan GPT-5.5 Pro 90,1% vs Claude 79,3% di BrowseComp [2]Hampir imbang di OSWorld; GPT-5.5 lebih tinggi di BrowseComp.
Tool orchestrationMCP AtlasClaude 79,1% vs GPT-5.5 75,3% [2]Claude lebih kuat untuk skenario tool-heavy/MCP.
Science dan math reasoningGPQA Diamond; FrontierMath T1–3Claude 94,2% vs GPT-5.5 93,6% di GPQA; GPT-5.5 51,7% dan GPT-5.5 Pro 52,4% vs Claude 43,8% di FrontierMath [2]GPQA sangat rapat; GPT-5.5 unggul di FrontierMath.

Cara membaca benchmark ini tanpa salah simpul

1. Jangan campur SWE-Bench Pro dengan SWE-bench Verified

OpenAI memakai SWE-Bench Pro Public dalam tabel head-to-head GPT-5.5 vs Claude Opus 4.7 [5]. Itu tidak sama dengan SWE-bench Verified. BenchLM menjelaskan SWE-bench Verified sebagai subset human-verified dari SWE-bench yang menguji model menyelesaikan issue GitHub nyata dari repositori Python populer seperti Django, Flask, dan scikit-learn [21].

Artinya, angka Claude 64,3% di SWE-Bench Pro Public tidak boleh langsung dibandingkan dengan angka Claude di SWE-bench Verified dari leaderboard lain [5][21]. Nama benchmark, harness, tanggal evaluasi, dan konfigurasi model perlu dicocokkan dulu.

2. GPQA Diamond sudah kurang membedakan model frontier

Vellum menempatkan Claude Opus 4.7 di 94,2% dan GPT-5.5 di 93,6% pada GPQA Diamond [2]. The Next Web juga melaporkan Claude Opus 4.7 94,2%, GPT-5.4 Pro 94,4%, dan Gemini 3.1 Pro 94,3%, lalu menyebut selisih model-model tersebut berada dalam noise [17]. Untuk memilih model produksi, GPQA berguna sebagai sinyal reasoning umum, tetapi kurang cukup sebagai penentu tunggal.

3. Leaderboard pihak ketiga bisa berbeda

Pada SWE-bench Verified, angka Claude Opus 4.7 tidak identik antar-sumber. BenchLM melaporkan Claude Opus 4.7 Adaptive 87,6% per 24 April 2026 [21]. LLM Stats juga mencantumkan 87,6% [18]. Namun LM Council menampilkan Claude Opus 4.7 max 83,5% ±1,7 [10], sementara MindStudio menyebut 82,4% [14].

Perbedaan ini tidak otomatis berarti salah satu sumber keliru. Biasanya, perbedaan dapat muncul dari konfigurasi model, harness evaluasi, tanggal pengujian, dan cara leaderboard memperlakukan retry atau reasoning mode. Untuk tim engineering, angka publik sebaiknya dipakai sebagai shortlist awal, bukan pengganti evaluasi pada repositori dan workflow sendiri.

Claude Opus 4.7: paling menonjol untuk repo repair dan tool orchestration

Sinyal terkuat Claude Opus 4.7 ada pada coding repair dan agent yang memakai banyak tool. Dalam tabel OpenAI, Claude mengungguli GPT-5.5 pada SWE-Bench Pro Public, 64,3% vs 58,6%, dan pada FinanceAgent v1.1, 64,4% vs 60,0% [5]. Vellum juga melaporkan Claude unggul di MCP Atlas, 79,1% vs GPT-5.5 75,3% [2].

Anthropic sendiri menyoroti evaluasi partner yang relevan untuk agentic workflows. Dalam launch note Claude Opus 4.7, Anthropic mengutip Hebbia yang melihat kenaikan dua digit pada akurasi tool calls dan planning di orchestrator agents, serta Rakuten-SWE-Bench yang melaporkan Opus 4.7 menyelesaikan tiga kali lebih banyak production tasks daripada Opus 4.6 dengan kenaikan dua digit pada Code Quality dan Test Quality [19]. Itu sinyal produk yang berguna, tetapi tetap berbeda dari evaluasi independen pada workload internal.

Kesimpulan praktisnya: jika prioritas Anda adalah autonomous repo repair, MCP, atau workflow multi-tool yang panjang, Claude Opus 4.7 layak diuji lebih dulu. Namun, hasil publik tetap perlu divalidasi pada test suite, permission model, dan pola tool call yang benar-benar dipakai tim Anda.

GPT-5.5: paling kuat untuk terminal, browser/search, office, dan math dalam data ini

Keunggulan GPT-5.5 paling jelas terlihat di Terminal-Bench 2.0. OpenAI melaporkan GPT-5.5 mencapai 82,7%, dibanding Claude Opus 4.7 69,4% dan Gemini 3.1 Pro 68,5% [5]. Dalam tabel yang sama, GPT-5.5 juga berada di atas Claude pada GDPval wins/ties, 84,9% vs 80,3%, dan OfficeQA Pro, 54,1% vs 43,6% [5].

Vellum menambahkan konteks untuk computer-use, search, dan reasoning. GPT-5.5 sedikit di atas Claude pada OSWorld-Verified, 78,7% vs 78,0%; lebih tinggi di BrowseComp, 84,4% vs 79,3%; dan lebih tinggi di FrontierMath T1–3, 51,7% vs 43,8% [2]. Untuk BrowseComp, Vellum juga melaporkan GPT-5.5 Pro di 90,1% [2].

Di coding, gambarnya campuran. GPT-5.5 sangat kuat di Terminal-Bench 2.0, tetapi tertinggal dari Claude Opus 4.7 pada SWE-Bench Pro Public dalam tabel OpenAI [5]. OpenAI System Card juga menjelaskan CoT-Control untuk GPT-5.5, yaitu suite evaluasi dengan lebih dari 13.000 task dari benchmark seperti GPQA, MMLU-Pro, HLE, BFCL, dan SWE-Bench Verified [26]. Namun, sumber itu tidak memberikan perbandingan langsung dengan DeepSeek V4 atau Kimi K2.6 [26].

DeepSeek V4 dan Kimi K2.6: belum ada bukti langsung di sumber ini

Untuk DeepSeek V4, sumber yang tersedia tidak memberikan angka benchmark langsung. Data terdekat justru menyebut DeepSeek V3.2: MangoMind menempatkan DeepSeek V3.2 di rekomendasi coding April 2026 dengan 89,2% SWE-bench, di bawah Claude Opus 4.6 93,2% dan GPT-5.4 Pro 91,1% [1]. Angka DeepSeek V3.2 tidak bisa dipakai untuk menyimpulkan performa DeepSeek V4.

Untuk Kimi K2.6, situasinya sama. Stanford HAI menyebut KimiK2.5 berada dalam kelompok model 70%–76% pada SWE-bench Verified per Februari 2026 [13]. Siliconflow mencantumkan Kimi K2 Thinking dengan GPQA 84,5 dan SWE Bench 71,3 [6]. Keduanya bukan Kimi K2.6, sehingga hanya berguna sebagai konteks ekosistem Kimi, bukan bukti benchmark langsung untuk model yang ditanyakan.

Rekomendasi evaluasi untuk tim produk

Jika kebutuhan utama Anda adalah...Model yang sebaiknya diuji lebih duluDasar buktiCaveat
Terminal/CLI coding agentGPT-5.5Terminal-Bench 2.0: GPT-5.5 82,7% vs Claude 69,4% [5]Uji ulang pada shell environment, permission model, dan CI/CD internal.
Autonomous repo repairClaude Opus 4.7, lalu GPT-5.5 sebagai pembandingSWE-Bench Pro Public: Claude 64,3% vs GPT-5.5 58,6% [5]Jangan campur dengan SWE-bench Verified tanpa mencocokkan harness [21].
MCP atau multi-tool orchestrationClaude Opus 4.7MCP Atlas: Claude 79,1% vs GPT-5.5 75,3% [2]Validasi pada tool schema, retry logic, dan access policy Anda sendiri.
Browser/search agentGPT-5.5 atau GPT-5.5 ProBrowseComp: GPT-5.5 84,4%, GPT-5.5 Pro 90,1%, Claude 79,3% [2]Jangan samakan BrowseComp dengan seluruh kebutuhan riset internal.
Finance/professional workflowSplit test Claude dan GPT-5.5Claude unggul di FinanceAgent v1.1, tetapi GPT-5.5 unggul di GDPval dan OfficeQA Pro [5]MindStudio menekankan bahwa jarak dari skor benchmark finance ke tool produksi sering terletak pada infrastruktur end-to-end, bukan hanya intelligence model [14].
Scientific reasoning umumJangan memilih dari GPQA sajaSkor GPQA Diamond Claude dan GPT-5.5 sangat rapat di Vellum [2]Gunakan evaluasi domain-specific, terutama jika tugasnya berbeda dari soal benchmark.

Kesimpulan

Jika hanya memakai bukti head-to-head yang tersedia, GPT-5.5 adalah kandidat paling kuat untuk terminal/CLI agent, browser/search, office tasks, dan beberapa benchmark matematika [5][2]. Claude Opus 4.7 adalah kandidat paling kuat untuk SWE-Bench Pro Public, MCP/tool orchestration, dan FinanceAgent v1.1 [5][2].

DeepSeek V4 dan Kimi K2.6 belum bisa diperingkatkan secara adil melawan keduanya berdasarkan sumber ini. Data yang tersedia menyebut versi lain, yaitu DeepSeek V3.2, KimiK2.5, dan Kimi K2 Thinking, sehingga klaim bahwa DeepSeek V4 atau Kimi K2.6 mengalahkan Claude Opus 4.7 atau GPT-5.5 belum didukung oleh angka benchmark langsung di kumpulan sumber ini [1][13][6].

Studio Global AI

Search, cite, and publish your own answer

Use this topic as a starting point for a fresh source-backed answer, then compare citations before you share it.

Cari dan periksa fakta dengan Studio Global AI

Poin-poin penting

  • Untuk data yang benar benar head to head, GPT 5.5 unggul di Terminal Bench 2.0, 82,7% vs 69,4%, sementara Claude Opus 4.7 unggul di SWE Bench Pro Public, 64,3% vs 58,6%; DeepSeek V4 dan Kimi K2.6 belum punya angka ben...
  • Tidak ada juara universal: Claude lebih kuat di MCP Atlas dan FinanceAgent, sedangkan GPT 5.5 lebih kuat di BrowseComp, GDPval, OfficeQA Pro, dan FrontierMath dalam tabel yang tersedia [2][5].
  • GPQA Diamond kurang tajam sebagai pembeda model frontier karena skornya sangat rapat; Vellum menempatkan Claude di 94,2% dan GPT 5.5 di 93,6%, sementara The Next Web menyebut selisih model frontier sejenis berada dala...

Orang-orang juga bertanya

Apa jawaban singkat untuk "Claude Opus 4.7 vs GPT-5.5: Benchmark 2026, dan Status DeepSeek V4/Kimi K2.6"?

Untuk data yang benar benar head to head, GPT 5.5 unggul di Terminal Bench 2.0, 82,7% vs 69,4%, sementara Claude Opus 4.7 unggul di SWE Bench Pro Public, 64,3% vs 58,6%; DeepSeek V4 dan Kimi K2.6 belum punya angka ben...

Apa poin penting yang harus divalidasi terlebih dahulu?

Untuk data yang benar benar head to head, GPT 5.5 unggul di Terminal Bench 2.0, 82,7% vs 69,4%, sementara Claude Opus 4.7 unggul di SWE Bench Pro Public, 64,3% vs 58,6%; DeepSeek V4 dan Kimi K2.6 belum punya angka ben... Tidak ada juara universal: Claude lebih kuat di MCP Atlas dan FinanceAgent, sedangkan GPT 5.5 lebih kuat di BrowseComp, GDPval, OfficeQA Pro, dan FrontierMath dalam tabel yang tersedia [2][5].

Apa yang harus saya lakukan selanjutnya dalam latihan?

GPQA Diamond kurang tajam sebagai pembeda model frontier karena skornya sangat rapat; Vellum menempatkan Claude di 94,2% dan GPT 5.5 di 93,6%, sementara The Next Web menyebut selisih model frontier sejenis berada dala...

Topik terkait manakah yang harus saya jelajahi selanjutnya?

Lanjutkan dengan "Claude Opus 4.7 vs GPT-5.5 vs DeepSeek V4 vs Kimi K2.6: siapa unggul di benchmark 2026?" untuk sudut pandang lain dan kutipan tambahan.

Buka halaman terkait

Dengan apa saya harus membandingkannya?

Periksa ulang jawaban ini dengan "Northwest vs. Southeast Timber: Mengapa Jawabannya larger; larger?".

Buka halaman terkait

Lanjutkan penelitian Anda

Comparativa de benchmarks 2026 entre Claude Opus 4.7, GPT-5.5, DeepSeek V4 y Kimi K2.6

Claude Opus 4.7 vs GPT-5.5 vs DeepSeek V4 vs Kimi K2.6: siapa unggul di benchmark 2026?

Benchmark AI 2026: Claude Opus 4.7, GPT-5.5, DeepSeek V4, dan Kimi K2.6 dibandingkan

木材市場與需求彈性概念的編輯插圖

Northwest vs. Southeast Timber: Mengapa Jawabannya larger; larger?

Northwest vs. Southeast Timber: Mengapa Substitusi Lebih Tinggi Berarti larger; larger

抽象 AI 晶片與多個聊天機器人平台競爭的示意圖，象徵 DeepSeek 挑戰 OpenAI、Claude、Gemini 與 Grok

Bisakah DeepSeek Mengalahkan OpenAI, Claude, Gemini, dan Grok? Masalahnya Bukan Cuma Benchmark

Bisakah DeepSeek Mengalahkan OpenAI, Claude, Gemini, dan Grok? Kuncinya Biaya dan Kepercayaan

Illustration of an AI coding agent connected to cloud database and backup systems

Insiden PocketOS: Pelajaran di Balik Klaim AI Menghapus Database

Klaim AI menghapus database PocketOS: apa yang diketahui dari insiden Claude/Cursor

Percakapan penelitian

kamu

Pertanyaan penelitian

Lakukan riset mendalam tentang benchmark Claude Opus 4.7, GPT-5.5, DeepSeek V4, dan Kimi K2.6.

Studio Global AI32 sumber

Jawaban yang dikutip

Berdasarkan bukti yang tersedia, benchmark yang paling bisa dibahas secara konkret hanya untuk Claude Opus 4.7. Untuk GPT-5.5, bukti yang tersedia hanya satu unggahan X tanpa angka benchmark lengkap; untuk DeepSeek V4 dan Kimi K2.6 tidak ada bukti benchmark langsung dalam sumber yang diberikan. Karena itu, perbandingan empat model ini belum bisa dibuat secara kuat; Insufficient evidence untuk klaim komparatif penuh.

Key findings

  • Claude Opus 4.7 dilaporkan mencetak 87.6% pada SWE-bench Verified, 94.2% pada GPQA, memiliki konteks 1 juta token, peningkatan vision 3.3x, mode effort “xhigh”, dan harga $5/$25 menurut LLM Stats [7].

  • Claude Opus 4.7 juga dilaporkan menempati peringkat #2 dari 110 model pada leaderboard provisional BenchLM dengan skor keseluruhan 97/100, serta peringkat #2 dari 14 pada verified leaderboard [4].

  • Pada GPQA Diamond, laporan The Next Web menyebut Claude Opus 4.7 mencetak 94.2%, GPT-5.4 Pro 94.4%, dan Gemini 3.1 Pro 94.3%; sumber itu menilai selisihnya berada dalam noise dan benchmark ini sudah cenderung jenuh di antara model frontier [6].

  • Untuk coding, bukti yang tersedia mendukung bahwa Claude Opus 4.7 sangat kuat, tetapi angka SWE-bench yang tersedia tidak sepenuhnya konsisten antar-sumber: LLM Stats menyebut 87.6% untuk SWE-bench Verified [7], sementara Stanford HAI hanya memberi konteks lebih lama bahwa per Februari 2026 Claude 4.5 Opus high reasoning berada sekitar 76.8% dan model lain seperti KimiK2.5, GPT-5.2, serta Gemini 3 Flash high reasoning berada di kisaran 70–76% [1].

  • Untuk analisis finansial, MindStudio menyebut contoh gap antara skor FinanceBench 82.7% dan kesiapan deployment produksi, tetapi bukti snippet yang tersedia tidak cukup untuk memastikan konteks metodologi, pembanding, atau apakah angka itu diklaim sebagai skor resmi Claude Opus 4.7 [3].

  • Untuk GPT-5.5, satu-satunya bukti langsung yang tersedia adalah unggahan X yang menyatakan GPT-5.5 underperform terhadap Mythos pada SWE-Bench Pro dan HLE, setara pada GPQA Diamond, BrowseComp, dan OSWorld-Verified, serta lebih baik pada Terminal-Bench 2.0 [31]. Bukti ini lemah untuk riset benchmark karena tidak menyediakan angka, metodologi, atau sumber primer [31].

  • Untuk DeepSeek V4, tidak ada benchmark langsung dalam bukti yang diberikan; satu-satunya data terkait DeepSeek menyebut DeepSeek V3.2 sebagai #3 rekomendasi coding April 2026 dengan 89.2% SWE-bench menurut MangoMind, bukan DeepSeek V4 [2]. Insufficient evidence.

  • Untuk Kimi K2.6, tidak ada benchmark langsung dalam bukti yang diberikan; Stanford HAI hanya menyebut KimiK2.5 berada dalam kelompok 70–76% pada SWE-bench Verified per Februari 2026, bukan Kimi K2.6 [1]. Insufficient evidence.

Perbandingan ringkas

ModelBukti benchmark langsungAngka yang tersediaKekuatan kesimpulan
Claude Opus 4.7AdaSWE-bench Verified 87.6%, GPQA 94.2%, BenchLM 97/100Sedang, tetapi perlu validasi sumber primer
GPT-5.5Sangat terbatasTidak ada angka; hanya klaim relatif via XLemah
DeepSeek V4Tidak adaTidak adaInsufficient evidence
Kimi K2.6Tidak adaTidak adaInsufficient evidence

Evidence notes

  • Sumber paling kuat yang tersedia adalah Stanford HAI karena bersifat teknis dan institusional, tetapi datanya tidak mencakup Claude Opus 4.7, GPT-5.5, DeepSeek V4, atau Kimi K2.6 secara langsung; sumber itu hanya memberi baseline per Februari 2026 untuk Claude 4.5 Opus, KimiK2.5, GPT-5.2, dan model lain [1].

  • LLM Stats, BenchLM, MindStudio, Vellum, The Next Web, dan MangoMind memberikan konteks pasar serta benchmark yang lebih baru, tetapi sebagian tampak sebagai ringkasan pihak ketiga dan bukan dokumentasi primer dari lab model [2][3][4][5][6][7].

  • Vellum mencantumkan area benchmark untuk Claude Opus 4.7 seperti SWE-bench Verified, SWE-bench Pro, Terminal-Bench 2.0, MCP-Atlas, Finance Agent v1.1, OSWorld-Verified, BrowseComp, GPQA, dan benchmark reasoning lain, tetapi snippet yang tersedia tidak memberikan angka spesifik yang bisa dipakai untuk perbandingan [5].

  • MangoMind menyediakan daftar rekomendasi April 2026 untuk coding, tetapi model yang disebut adalah Claude Opus 4.6, GPT-5.4 Pro, dan DeepSeek V3.2, bukan versi target Claude Opus 4.7, GPT-5.5, DeepSeek V4, atau Kimi K2.6 [2].

Limitations / uncertainty

  • Tidak ada bukti primer dari Anthropic, OpenAI, DeepSeek, atau Moonshot/Kimi dalam evidence yang tersedia, sehingga angka-angka harus diperlakukan sebagai laporan pihak ketiga, bukan hasil resmi yang sepenuhnya terverifikasi.

  • Tidak tersedia angka benchmark langsung untuk DeepSeek V4 dan Kimi K2.6, sehingga klaim bahwa salah satu lebih unggul dari Claude Opus 4.7 atau GPT-5.5 tidak dapat didukung.

  • Tidak tersedia angka benchmark lengkap untuk GPT-5.5; unggahan X hanya menyebut perbandingan relatif terhadap Mythos tanpa metodologi dan tanpa skor numerik [31].

  • Ada indikasi pergeseran benchmark: GPQA Diamond tampak hampir jenuh pada model frontier karena Claude Opus 4.7, GPT-5.4 Pro, dan Gemini 3.1 Pro berada di sekitar 94.2–94.4% menurut The Next Web [6]. Ini berarti benchmark seperti SWE-bench Pro, Terminal-Bench, OSWorld, BrowseComp, dan evaluasi agentic kemungkinan lebih berguna untuk membedakan model, tetapi bukti angka lintas empat model target belum tersedia.

Summary

Claude Opus 4.7 adalah satu-satunya model dalam daftar yang memiliki bukti benchmark cukup konkret: 87.6% pada SWE-bench Verified, 94.2% pada GPQA, dan skor BenchLM 97/100 menurut sumber pihak ketiga [7][4]. GPT-5.5 hanya memiliki bukti lemah berupa klaim relatif dari X tanpa angka lengkap [31]. DeepSeek V4 dan Kimi K2.6 tidak memiliki data benchmark langsung dalam evidence yang tersedia, sehingga status benchmark keduanya adalah Insufficient evidence.

Sumber

  • [1] AI Benchmarks 2026: Monthly Leaderboards & Rankings | MangoMindmangomindbd.com

    5. Monthly Updates AI moves fast. We re-test all models monthly and publish updated rankings to reflect the latest releases. 🎯 Quick Recommendations Best AI for Coding (April 2026) 1. •Claude Opus 4.6 - 93.2% SWE-bench 2. •GPT-5.4 Pro - 91.1% SWE-bench 3....

  • [2] Everything You Need to Know About GPT-5.5 - Vellumvellum.ai

    Benchmark GPT-5.5 GPT-5.5 Pro GPT-5.4 Claude Opus 4.7 Gemini 3.1 Pro --- --- --- Terminal-Bench 2.0 82.7% — 75.1% 69.4% 68.5% SWE-Bench Pro 58.6% — 57.7% 64.3% 54.2% Expert-SWE (Internal) 73.1% — 68.5% — — GDPval 84.9% 82.3% 83.0% 80.3% 67.3% OSWorld-Verifi...

  • [5] Introducing GPT-5.5 | OpenAIopenai.com

    Evaluations Coding EvalGPT-5.5GPT‑5.4GPT-5.5 ProGPT‑5.4 ProClaude Opus 4.7Gemini 3.1 Pro SWE-Bench Pro (Public) 58.6%57.7%--64.3%54.2% Terminal-Bench 2.0 82.7%75.1%--69.4%68.5% Expert-SWE (Internal)73.1%68.5%---- Labs have noted evidence of memorization⁠(op...

  • [6] LLM Model Benchmarks 2026 | Siliconflowsiliconflow.com

    Model GRIND (%) AIME (%) GPQA (%) SWE Bench (%) MATH 500 (%) BFCL (%) Alder Polyglot (%) --- --- --- --- Kimi K2 Thinking — — 84.5 71.3 — — — GPT 5.1 — — 88.1 76.3 — — — Claude Haiku 4.5 — — 73 73.3 — — — GPT-5 — — 87.3 74.9 — — 88 Claude Opus 4.1 — — 80.9...

  • [10] AI Model Benchmarks Apr 2026 | Compare GPT-5, Claude 4.5 ...lmcouncil.ai

    METR Time Horizons Model Minutes --- 1 Claude Opus 4.6 (unknown thinking) 718.8 ±1815.2 2 GPT-5.2 (high) 352.2 ±335.5 3 GPT-5.3 Codex 349.5 ±333.1 4 Claude Opus 4.5 (no thinking) 293.0 ±239.0 5 Claude Opus 4.5 (16k thinking) 288.9 ±558.2 SWE-bench Verified...

  • [13] [PDF] Technical Performance - Stanford HAIhai.stanford.edu

    On SWE-bench Verified, top models are tightly clustered in the low-to-mid 70s (Figure 2.5.1). As of February 2026, Claude 4.5 Opus (high reasoning) led at approximately 76.8%, with several others including KimiK2.5, GPT-5.2, and Gemini 3 Flash (high reasoni...

  • [14] Claude Opus 4.7 Benchmark Breakdown: Vision, Coding, and Financial Analysis | MindStudiomindstudio.ai

    This matters for teams evaluating Opus 4.7 for production use because the model’s capability gains are only useful if they’re integrated into something that works end-to-end. The gap between “this model scores 82.7% on FinanceBench” and “we have a deployed...

  • [17] Claude Opus 4.7 leads on SWE-bench and agentic reasoning, beating GPT-5.4 and Gemini 3.1 Prothenextweb.com

    On graduate-level reasoning, measured by GPQA Diamond, the field has converged. Opus 4.7 scores 94.2%, GPT-5.4 Pro scores 94.4%, and Gemini 3.1 Pro scores 94.3%. The differences are within noise. The frontier models have effectively saturated this benchmark...

  • [18] Claude Opus 4.7: Benchmarks, Pricing, Context & What's Newllm-stats.com

    LLM Stats Logo Make AI phone calls with one API call Claude Opus 4.7: Benchmarks, Pricing, Context & What's New Claude Opus 4.7 scores 87.6% on SWE-bench Verified, 94.2% on GPQA, 1M token context, 3.3x higher-resolution vision, new xhigh effort level. $5/$2...

  • [19] Introducing Claude Opus 4.7 - Anthropicanthropic.com

    Image 15: logo In our evals, we saw a double-digit jump in accuracy of tool calls and planning in our core orchestrator agents. As users leverage Hebbia to plan and execute on use cases like retrieval, slide creation, or document generation, Claude Opus 4.7...

  • [21] SWE-bench Verified Benchmark 2026: 35 LLM scores | BenchLM.aibenchlm.ai

    Core Rankings Specialized Use Cases Dashboards Directories Guides & Lists Tools Software Engineering Benchmark Verified (SWE-bench Verified) A curated, human-verified subset of SWE-bench that tests models on resolving real GitHub issues from popular open-so...

  • [26] GPT-5.5 System Card - OpenAI Deployment Safety Hubdeploymentsafety.openai.com

    We measure GPT-5.5’s controllability by running CoT-Control, an evaluation suite described in (Yueh-Han, 2026 ) that tracks the model’s ability to follow user instructions about their CoT. CoT-Control includes over 13,000 tasks built from established benchm...