studioglobal
Khám phá xu hướng
Báo cáoĐã xuất bản9 nguồn

GPT-5.5 vs Claude Opus 4.7, DeepSeek V4, dan Kimi K2.6: Cara Membaca Benchmark dengan Hati-hati

Tidak ada klasemen global yang benar benar adil untuk empat model ini: GPT 5.5 unggul atas Claude Opus 4.7 di ARC AGI, sementara Claude memimpin di MCP Atlas [6] [14]. Untuk coding agentic, sinyal angka paling jelas adalah GPT 5.5 dengan 82,7% di Terminal Bench 2.0, tetapi belum ada skor setara untuk tiga model lain...

Tìm kiếm và kiểm chứng sự thật với Studio Global AIDuyệt thêm từ Khám phá
17K0
Illustration comparant les benchmarks de GPT-5.5, Claude Opus 4.7, DeepSeek V4 et Kimi K2.6
GPT-5.5 vs Claude Opus 4.7, DeepSeek V4 et Kimi K2.6 : le comparatif prudent des benchmarksComparaison prudente des scores disponibles : ARC-AGI, MCP-Atlas, coding agentique et signaux open-weights.
Prompt AI

Create a landscape editorial hero image for this Studio Global article: GPT-5.5 vs Claude Opus 4.7, DeepSeek V4 et Kimi K2.6 : le comparatif prudent des benchmarks. Article summary: Il n’y a pas de classement global fiable des quatre modèles dans les sources disponibles : GPT 5.5 mène face à Claude Opus 4.7 sur ARC AGI avec 95,0 % et 85,0 % contre 93,5 % et 75,8 %, Claude mène sur MCP Atlas avec.... Topic tags: ai, ai benchmarks, llm, openai, anthropic. 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.you

openai.com

Kalau Anda sedang memilih model AI untuk produk, riset, atau workflow internal, membaca benchmark seperti membaca papan skor liga bisa menyesatkan. Angkanya penting, tetapi setiap benchmark mengukur hal yang berbeda: penalaran abstrak, kemampuan memakai alat, coding agentic, hingga aspek keselamatan.

Dari sumber yang tersedia, perbandingan paling kuat terutama ada pada GPT-5.5 dan Claude Opus 4.7. DeepSeek V4 dan Kimi K2.6 memang muncul sebagai kandidat serius di kategori model berbobot terbuka atau open-weights, tetapi datanya belum cukup rapi untuk disejajarkan langsung di semua benchmark yang sama [6] [8] [14] [15] [20] [21].

Ringkasan cepat: jangan cari satu pemenang universal

Kesimpulan paling aman adalah membaca hasilnya per kebutuhan:

  • Penalaran abstrak: GPT-5.5 unggul atas Claude Opus 4.7 pada ARC-AGI-1 Verified dan ARC-AGI-2 Verified dalam tabel OpenAI [6].
  • Agent dan orkestrasi alat: Claude Opus 4.7 memimpin GPT-5.5 di MCP-Atlas, benchmark yang berkaitan dengan keandalan pemanggilan alat dalam skenario kompleks [14].
  • Coding agentic: GPT-5.5 punya sinyal angka paling jelas, yaitu 82,7% di Terminal-Bench 2.0, tetapi sumber yang ada tidak memberi tabel lengkap untuk tiga model lainnya [15].
  • Open-weights: DeepSeek V4 dan Kimi K2.6 relevan untuk dipantau, tetapi belum bisa diperingkat secara bersih melawan GPT-5.5 dan Claude Opus 4.7 pada benchmark yang sama [8] [20] [21].
  • Keselamatan dan keamanan siber: skor kemampuan tidak otomatis berarti model lebih aman [1] [3] [19].

Angka yang benar-benar bisa dibandingkan

Area atau benchmarkGPT-5.5Claude Opus 4.7DeepSeek V4Kimi K2.6Cara membacanya
ARC-AGI-1 Verified95,0% [6]93,5% [6]Tidak ada skor sebanding dalam sumber yang tersediaTidak ada skor sebanding dalam sumber yang tersediaGPT-5.5 unggul 1,5 poin atas Claude Opus 4.7 dalam tabel OpenAI [6].
ARC-AGI-2 Verified85,0% [6]75,8% [6]Tidak ada skor sebanding dalam sumber yang tersediaTidak ada skor sebanding dalam sumber yang tersediaKeunggulan GPT-5.5 lebih besar di ARC-AGI-2, tetapi metodologi OpenAI tetap perlu diperhatikan [6].
MCP-Atlas75,3% [14]79,1% [14]Tidak ada skor sebanding dalam sumber yang tersediaTidak ada skor sebanding dalam sumber yang tersediaClaude Opus 4.7 berada di depan GPT-5.5 pada benchmark orkestrasi alat ini [14].
Terminal-Bench 2.0 / coding agentic82,7% dilaporkan [15]Tidak ada skor sebanding dalam sumber yang tersediaTidak ada skor sebanding dalam sumber yang tersediaTidak ada skor sebanding dalam sumber yang tersediaSinyal kuat untuk GPT-5.5, tetapi bukan klasemen lengkap empat model [15].
Open-weights / Artificial AnalysisTidak sebanding di siniTidak sebanding di siniDeepSeek V4 Pro Max dilaporkan mencetak 52 di Artificial Analysis Intelligence Index, naik dari 42 untuk V3.2 [21]Artificial Analysis menampilkan analisis berjudul “Kimi K2.6: The new leading open weights model”, tetapi sumber yang tersedia tidak memberi skor yang bisa dipakai di sini [8]Sinyal open-weights penting, tetapi belum menggantikan benchmark bersama [8] [20] [21].
Keselamatan dan keamanan siberCoT-Control mencakup lebih dari 13.000 tugas; sumber sekunder juga melaporkan 93% di cyber range dan jailbreak universal yang ditemukan dalam enam jam [1] [3]Tidak ada skor sebanding dalam sumber yang tersediaTidak ada skor sebanding dalam sumber yang tersediaTidak ada skor sebanding dalam sumber yang tersediaIni bukan dasar untuk membuat peringkat keselamatan empat model [1] [3] [19].

Kolom kosong bukan berarti DeepSeek V4 atau Kimi K2.6 lemah. Artinya, sumber yang tersedia di sini belum memberikan skor homogen di benchmark yang sama, dengan pengaturan yang sama, dan tingkat rincian yang sama [8] [20] [21].

Penalaran abstrak: GPT-5.5 unggul di ARC-AGI

Pada dua skor ARC-AGI yang dipublikasikan di halaman peluncuran OpenAI, GPT-5.5 mengungguli Claude Opus 4.7. GPT-5.5 mencetak 95,0% di ARC-AGI-1 Verified, dibanding 93,5% untuk Claude Opus 4.7. Di ARC-AGI-2 Verified, GPT-5.5 mencetak 85,0%, sedangkan Claude Opus 4.7 berada di 75,8% [6].

Namun, angka ini tidak membuktikan bahwa GPT-5.5 selalu lebih baik dalam semua skenario. Yang bisa dikatakan: GPT-5.5 menang atas Claude Opus 4.7 pada dua ukuran penalaran abstrak tersebut, dalam tabel OpenAI yang dikutip [6].

Catatan metodologinya penting. OpenAI menyebut evaluasi GPT dijalankan dengan tingkat upaya penalaran “xhigh” di lingkungan riset, sehingga hasilnya bisa sedikit berbeda dari keluaran ChatGPT di lingkungan produksi [6].

Agent dan pemanggilan alat: Claude unggul di MCP-Atlas

Sinyal paling kuat untuk Claude Opus 4.7 datang dari MCP-Atlas. Sebuah analisis sekunder melaporkan skor 79,1% untuk Claude Opus 4.7, dibanding 75,3% untuk GPT-5.5. Keunggulan ini dikaitkan dengan keandalan pemanggilan alat yang lebih baik dalam skenario kompleks dan berantai melalui Model Context Protocol atau MCP [14].

Bagi tim yang membangun agent dengan banyak alat eksternal, poin ini bisa sama pentingnya dengan skor penalaran murni. Jika produk Anda banyak bergantung pada orkestrasi MCP, tool eksternal, dan workflow berantai, sinyal terbaik yang dikutip di sini lebih menguntungkan Claude Opus 4.7 daripada GPT-5.5 pada benchmark spesifik tersebut [14].

Coding agentic: sinyal GPT-5.5 paling jelas, tapi belum sapu bersih

GPT-5.5 dilaporkan mencetak 82,7% di Terminal-Bench 2.0, benchmark yang berkaitan dengan tugas terminal dan coding agentic [15]. Ini adalah skor coding paling mudah dipakai dari sumber yang tersedia untuk perbandingan ini.

Batasannya juga sama pentingnya: sumber yang tersedia tidak memberikan tabel Terminal-Bench 2.0 lengkap untuk Claude Opus 4.7, DeepSeek V4, dan Kimi K2.6. Jadi kesimpulan yang hati-hati adalah GPT-5.5 memiliki sinyal terdokumentasi paling kuat di area ini, bukan bahwa ia pasti mengalahkan tiga model lain dalam semua kondisi coding agentic [15].

DeepSeek V4 dan Kimi K2.6: serius di open-weights, sulit diperingkat di sini

DeepSeek V4 dan Kimi K2.6 layak diperhitungkan di kategori open-weights. Tetapi data yang dikutip tidak memungkinkan adu langsung yang ketat dengan GPT-5.5 dan Claude Opus 4.7 pada ARC-AGI, MCP-Atlas, atau Terminal-Bench 2.0 [8] [20] [21].

Untuk DeepSeek, Artificial Analysis menyatakan bahwa rilis DeepSeek V4 membawa DeepSeek kembali ke jajaran model open-weights terdepan [20]. Angka paling spesifik yang tersedia di sini adalah DeepSeek V4 Pro Max dengan skor 52 pada Artificial Analysis Intelligence Index, naik dari 42 untuk DeepSeek V3.2 [21].

Untuk Kimi K2.6, Artificial Analysis menampilkan analisis berjudul “Kimi K2.6: The new leading open weights model” [8]. Itu sinyal posisi yang kuat, tetapi sumber yang diberikan tidak memuat skor yang cukup untuk membandingkan Kimi K2.6 dengan DeepSeek V4, GPT-5.5, dan Claude Opus 4.7 pada benchmark yang sama [8] [21].

Keselamatan dan keamanan siber: kemampuan bukan jaminan aman

System card GPT-5.5 menjelaskan CoT-Control sebagai rangkaian evaluasi berisi lebih dari 13.000 tugas yang dibangun dari benchmark mapan, termasuk GPQA, MMLU-Pro, HLE, BFCL, dan SWE-Bench Verified [3]. Informasi ini membantu memahami evaluasi kontrol penalaran, tetapi tidak memberikan skor perbandingan antara GPT-5.5, Claude Opus 4.7, DeepSeek V4, dan Kimi K2.6 [3].

Sumber lain melaporkan GPT-5.5 memiliki tingkat keberhasilan 93% di cyber range, sambil menyebut bahwa jailbreak universal ditemukan dalam enam jam red-teaming [1]. Dua informasi ini perlu dibaca bersama: performa tinggi pada tugas siber tidak otomatis membuktikan keselamatan model secara menyeluruh [1].

Kritik eksternal juga menyoroti bahwa evaluasi keselamatan GPT-5.5 sangat bergantung pada pernyataan OpenAI, sehingga kesimpulan dari informasi yang hanya dipublikasikan oleh penyedia model perlu dibatasi [19].

Pilih model berdasarkan kebutuhan, bukan gengsi benchmark

  • Untuk penalaran abstrak terdokumentasi: GPT-5.5 paling kuat dibanding Claude Opus 4.7 pada skor ARC-AGI yang dikutip, dengan catatan bahwa evaluasi GPT memakai upaya penalaran “xhigh” di lingkungan riset [6].
  • Untuk agent multi-alat dan workflow MCP: Claude Opus 4.7 punya skor terbaik yang dikutip di MCP-Atlas, yaitu 79,1% versus 75,3% untuk GPT-5.5 [14].
  • Untuk coding agentic berbasis terminal: GPT-5.5 punya sinyal angka paling jelas, yakni 82,7% di Terminal-Bench 2.0, tetapi perbandingan dengan tiga model lain masih belum lengkap [15].
  • Untuk deployment open-weights: DeepSeek V4 dan Kimi K2.6 layak diuji jika bobot terbuka, kontrol deployment, atau kompromi biaya-kinerja menjadi prioritas; namun data yang dikutip belum memberi cukup skor bersama untuk memutuskan pemenang [8] [20] [21].
  • Untuk kasus sensitif keselamatan: pisahkan benchmark kemampuan, hasil siber, dan evaluasi keamanan. Ketiganya tidak membuktikan hal yang sama [1] [3] [19].

Kesimpulan yang tidak boleh ditarik

Jangan menyimpulkan bahwa GPT-5.5 adalah model terbaik untuk semua hal hanya karena ia memimpin Claude Opus 4.7 di skor ARC-AGI yang tersedia [6]. Jangan juga menyimpulkan bahwa Claude Opus 4.7 lebih unggul secara umum hanya karena menang di MCP-Atlas [14]. Setiap benchmark mengukur jenis tugas yang berbeda.

Jangan pula memaksakan peringkat DeepSeek V4 dan Kimi K2.6 melawan dua model proprietari tanpa benchmark bersama. Sinyal dari Artificial Analysis menunjukkan DeepSeek V4 dan Kimi K2.6 penting dalam ekosistem open-weights, tetapi belum cukup untuk membuat klasemen global dengan metrik yang sama seperti GPT-5.5 dan Claude Opus 4.7 [8] [20] [21].

Terakhir, jangan mengubah skor kemampuan menjadi garansi keselamatan. Informasi tentang GPT-5.5 justru menunjukkan bahwa performa siber yang tinggi dapat berjalan berdampingan dengan kekhawatiran soal jailbreak dan independensi evaluasi [1] [19].

Kesimpulan

Perbandingan paling jujur adalah perbandingan berbasis tugas: GPT-5.5 memimpin Claude Opus 4.7 pada benchmark ARC-AGI yang tersedia dan punya sinyal angka paling jelas untuk coding agentic; Claude Opus 4.7 memimpin di MCP-Atlas; DeepSeek V4 dan Kimi K2.6 tetap merupakan kandidat open-weights penting, tetapi data yang tersedia belum cukup untuk memeringkatnya secara bersih melawan dua model proprietari tersebut [6] [8] [14] [15] [20] [21].

Untuk keputusan produk, langkah paling masuk akal bukan mencari “juara umum”. Uji model pada tugas Anda sendiri: penalaran, pemanggilan alat, penulisan kode, biaya, latensi, batasan deployment, dan tingkat risiko yang bisa diterima.

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.

Tìm kiếm và kiểm chứng sự thật với Studio Global AI

Bài học chính

  • Tidak ada klasemen global yang benar benar adil untuk empat model ini: GPT 5.5 unggul atas Claude Opus 4.7 di ARC AGI, sementara Claude memimpin di MCP Atlas [6] [14].
  • Untuk coding agentic, sinyal angka paling jelas adalah GPT 5.5 dengan 82,7% di Terminal Bench 2.0, tetapi belum ada skor setara untuk tiga model lain dalam sumber yang tersedia [15].
  • DeepSeek V4 dan Kimi K2.6 penting di ranah open weights, tetapi data yang ada belum cukup untuk membandingkannya langsung dengan GPT 5.5 dan Claude Opus 4.7 pada benchmark yang sama [8] [20] [21].

Người ta cũng hỏi

Câu trả lời ngắn gọn cho "GPT-5.5 vs Claude Opus 4.7, DeepSeek V4, dan Kimi K2.6: Cara Membaca Benchmark dengan Hati-hati" là gì?

Tidak ada klasemen global yang benar benar adil untuk empat model ini: GPT 5.5 unggul atas Claude Opus 4.7 di ARC AGI, sementara Claude memimpin di MCP Atlas [6] [14].

Những điểm chính cần xác nhận đầu tiên là gì?

Tidak ada klasemen global yang benar benar adil untuk empat model ini: GPT 5.5 unggul atas Claude Opus 4.7 di ARC AGI, sementara Claude memimpin di MCP Atlas [6] [14]. Untuk coding agentic, sinyal angka paling jelas adalah GPT 5.5 dengan 82,7% di Terminal Bench 2.0, tetapi belum ada skor setara untuk tiga model lain dalam sumber yang tersedia [15].

Tôi nên làm gì tiếp theo trong thực tế?

DeepSeek V4 dan Kimi K2.6 penting di ranah open weights, tetapi data yang ada belum cukup untuk membandingkannya langsung dengan GPT 5.5 dan Claude Opus 4.7 pada benchmark yang sama [8] [20] [21].

Tôi nên khám phá chủ đề liên quan nào tiếp theo?

Tiếp tục với "Claude Opus 4.7, GPT-5.5, DeepSeek V4 và Kimi K2.6: benchmark 2026 nói gì?" để có góc nhìn khác và trích dẫn bổ sung.

Mở trang liên quan

Tôi nên so sánh điều này với cái gì?

Kiểm tra chéo câu trả lời này với "DeepSeek V4: không chỉ là 1M token, mà là bài toán MoE và API".

Mở trang liên quan

Tiếp tục nghiên cứu của bạn

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

Claude Opus 4.7, GPT-5.5, DeepSeek V4 và Kimi K2.6: benchmark 2026 nói gì?

Claude Opus 4.7 vs GPT-5.5 vs DeepSeek V4 vs Kimi K2.6: so sánh benchmark 2026

DeepSeek V4 工程架构示意图，包含 1M 上下文、MoE 专家路由和 API 服务化元素

DeepSeek V4: không chỉ là 1M token, mà là bài toán MoE và API

DeepSeek V4: 1M token, MoE và những việc developer cần làm khi chuyển API

木材市場與需求彈性概念的編輯插圖

Northwest vs. Southeast Timber: vì sao đáp án là larger; larger?

Bài elasticity Northwest vs. Southeast Timber: vì sao là 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

DeepSeek có thể đánh bại OpenAI, Claude, Gemini, Grok? Câu trả lời nằm ở chi phí và niềm tin

DeepSeek có thể đánh bại OpenAI, Claude, Gemini, Grok?

Trao đổi nghiên cứu

Bạn

Câu hỏi nghiên cứu

Recherchez les benchmarks de GPT-5.5, Claude Opus 4.7, DeepSeek V4 et Kimi K2.6, puis comparez-les de la manière la plus complète possible. Créez un rapport de recherche à ce sujet.

Studio Global AI29 nguồn

Câu trả lời được trích dẫn

J’ai trouvé des données vérifiables pour GPT-5.5 et Claude Opus 4.7 sur quelques benchmarks précis, mais pas assez de données numériques fiables et directement comparables pour DeepSeek V4 et Kimi K2.6. Le classement le plus prudent est donc : GPT-5.5 semble en tête sur raisonnement abstrait et coding agentique dans les sources disponibles, Claude Opus 4.7 devance GPT-5.5 sur l’orchestration d’outils MCP-Atlas, et les données récupérées sont insuffisantes pour départager proprement DeepSeek V4 et Kimi K2.6.

Key findings

  • GPT-5.5 obtient 95.0% sur ARC-AGI-1 Verified et 85.0% sur ARC-AGI-2 Verified dans le tableau publié par OpenAI, tandis que Claude Opus 4.7 y obtient 93.5% et 75.8% respectivement [11].

  • OpenAI précise que les évaluations GPT de ce tableau ont été exécutées avec un effort de raisonnement “xhigh” dans un environnement de recherche, ce qui limite la comparabilité directe avec des usages API ou produits publics [11].

  • Claude Opus 4.7 devance GPT-5.5 sur MCP-Atlas, avec 79.1% contre 75.3%, ce qui suggère un avantage sur les chaînes complexes d’appels d’outils dans cette source [7].

  • GPT-5.5 est rapporté à 82.7% sur Terminal-Bench 2.0, un benchmark de tâches de terminal/coding agentique, mais je n’ai pas trouvé dans les sources récupérées de score comparable fiable pour Claude Opus 4.7, DeepSeek V4 ou Kimi K2.6 sur ce même benchmark [14].

  • La system card GPT-5.5 décrit CoT-Control comme une suite de plus de 13 000 tâches construites à partir de benchmarks comme GPQA et MMLU-Pro, mais le snippet récupéré ne donne pas de score global exploitable pour comparer les quatre modèles [2].

  • Une source secondaire rapporte un taux de réussite de 93% de GPT-5.5 sur un cyber range, tout en signalant aussi un jailbreak universel trouvé en six heures de red-teaming, ce qui rend le résultat utile mais ambigu côté sûreté [3].

  • Artificial Analysis signale des analyses récentes sur DeepSeek V4 et Kimi K2.6, et présente Kimi K2.6 comme “the new leading open weights model”, mais les extraits récupérés ne fournissent pas les scores chiffrés nécessaires pour une comparaison complète avec GPT-5.5 et Claude Opus 4.7 [1] [13].

Tableau comparatif des benchmarks récupérés

Benchmark / domaineGPT-5.5Claude Opus 4.7DeepSeek V4Kimi K2.6Lecture prudente
ARC-AGI-1 Verified / raisonnement abstrait95.0% [11]93.5% [11]Insufficient evidenceInsufficient evidenceGPT-5.5 devance Claude Opus 4.7 de 1.5 point dans le tableau OpenAI [11].
ARC-AGI-2 Verified / raisonnement abstrait plus difficile85.0% [11]75.8% [11]Insufficient evidenceInsufficient evidenceGPT-5.5 devance Claude Opus 4.7 de 9.2 points dans le tableau OpenAI [11].
MCP-Atlas / orchestration d’outils75.3% [7]79.1% [7]Insufficient evidenceInsufficient evidenceClaude Opus 4.7 est meilleur que GPT-5.5 sur ce benchmark précis [7].
Terminal-Bench 2.0 / coding agentique terminal82.7% [14]Insufficient evidenceInsufficient evidenceInsufficient evidenceGPT-5.5 a un score rapporté élevé, mais les sources récupérées ne donnent pas de comparaison complète [14].
Cyber range / cybersécurité offensive-défensive93% de réussite rapporté [3]Insufficient evidenceInsufficient evidenceInsufficient evidenceLe score GPT-5.5 est impressionnant, mais la même source signale aussi un jailbreak universel en red-teaming [3].
CoT-Control / contrôlabilité du raisonnementSuite de plus de 13 000 tâches, mais pas de score global exploitable dans l’extrait récupéré [2]Insufficient evidenceInsufficient evidenceInsufficient evidenceBenchmark utile pour sûreté/contrôle, mais non comparable ici faute de scores par modèle [2].
Classement open-weightsNon open-weights dans les sources récupéréesNon open-weights dans les sources récupéréesSignalé comme retour parmi les modèles open-weights de tête [1]Présenté comme nouveau leader open-weights par le titre d’une analyse Artificial Analysis [13]Kimi K2.6 et DeepSeek V4 semblent pertinents côté open-weights, mais les scores détaillés manquent [1] [13].

Analyse par modèle

GPT-5.5

GPT-5.5 est le modèle le mieux documenté dans les sources récupérées, avec une page de lancement, une system card et plusieurs analyses secondaires [2] [11] [13].

Ses résultats les plus solides dans les sources consultées sont 95.0% sur ARC-AGI-1 Verified et 85.0% sur ARC-AGI-2 Verified [11].

Sur MCP-Atlas, GPT-5.5 atteint 75.3%, soit moins que Claude Opus 4.7 dans la source récupérée [7].

Sur Terminal-Bench 2.0, GPT-5.5 est rapporté à 82.7%, ce qui suggère une forte performance en coding agentique, mais la comparaison avec les trois autres modèles reste incomplète dans les sources récupérées [14].

Côté sûreté et cybersécurité, une source rapporte 93% sur cyber range, mais signale aussi qu’un jailbreak universel a été trouvé en six heures de red-teaming, donc ce résultat ne doit pas être interprété comme une sûreté globale démontrée [3].

Claude Opus 4.7

Claude Opus 4.7 dispose de scores comparatifs exploitables sur ARC-AGI-1, ARC-AGI-2 et MCP-Atlas dans les sources récupérées [7] [11].

Sur ARC-AGI-1 Verified, Claude Opus 4.7 obtient 93.5%, contre 95.0% pour GPT-5.5 dans le tableau OpenAI [11].

Sur ARC-AGI-2 Verified, Claude Opus 4.7 obtient 75.8%, contre 85.0% pour GPT-5.5 dans le tableau OpenAI [11].

Sur MCP-Atlas, Claude Opus 4.7 obtient 79.1%, contre 75.3% pour GPT-5.5, ce qui en fait le meilleur des deux modèles documentés pour ce benchmark d’orchestration d’outils [7].

Les sources récupérées ne fournissent pas de score fiable pour Claude Opus 4.7 sur Terminal-Bench 2.0, cyber range, CoT-Control ou un benchmark open-weights, donc toute conclusion au-delà des trois mesures ci-dessus serait spéculative.

DeepSeek V4

DeepSeek V4 apparaît dans les résultats comme une sortie suivie par Artificial Analysis et comme un retour de DeepSeek parmi les modèles open-weights de tête [1].

Les sources récupérées ne fournissent pas de scores chiffrés exploitables pour DeepSeek V4 sur ARC-AGI, MCP-Atlas, Terminal-Bench 2.0, cyber range ou CoT-Control.

Insufficient evidence pour classer DeepSeek V4 face à GPT-5.5, Claude Opus 4.7 et Kimi K2.6 sur les benchmarks numériques demandés.

Kimi K2.6

Kimi K2.6 apparaît dans les résultats d’Artificial Analysis comme “the new leading open weights model”, ce qui suggère une position forte parmi les modèles à poids ouverts [13].

Les sources récupérées ne fournissent pas de scores chiffrés exploitables pour Kimi K2.6 sur ARC-AGI, MCP-Atlas, Terminal-Bench 2.0, cyber range ou CoT-Control.

Insufficient evidence pour confirmer numériquement que Kimi K2.6 bat DeepSeek V4 ou se rapproche de GPT-5.5 et Claude Opus 4.7 sur les benchmarks couverts ici.

Comparaison qualitative

  • Meilleur modèle documenté pour le raisonnement abstrait : GPT-5.5, car il bat Claude Opus 4.7 sur ARC-AGI-1 et ARC-AGI-2 dans le tableau récupéré [11].

  • Meilleur modèle documenté pour l’orchestration d’outils : Claude Opus 4.7, car il bat GPT-5.5 sur MCP-Atlas avec 79.1% contre 75.3% [7].

  • Meilleur modèle documenté pour le coding agentique : GPT-5.5 a le meilleur signal disponible, avec 82.7% sur Terminal-Bench 2.0, mais il manque des scores comparables pour les trois autres modèles [14].

  • Meilleur modèle open-weights : Kimi K2.6 est présenté par Artificial Analysis comme le nouveau leader open-weights, tandis que DeepSeek V4 est signalé comme un retour de DeepSeek parmi les modèles open-weights de tête [1] [13].

  • Meilleur modèle global : GPT-5.5 est le candidat le mieux étayé dans les sources récupérées, mais ce verdict est biaisé par la disponibilité beaucoup plus grande de données GPT-5.5 que de données DeepSeek V4 et Kimi K2.6 [2] [11] [13].

Evidence notes

  • La source la plus forte pour les scores ARC-AGI est la page OpenAI de lancement de GPT-5.5, mais elle est aussi une source fournisseur et précise que les évaluations GPT ont été réalisées avec un effort de raisonnement “xhigh” en environnement de recherche [11].

  • La source la plus forte pour la sûreté GPT-5.5 est la system card, qui décrit notamment CoT-Control et ses plus de 13 000 tâches construites à partir de benchmarks établis comme GPQA et MMLU-Pro [2].

  • La donnée MCP-Atlas provient d’une source secondaire qui compare explicitement Claude Opus 4.7 et GPT-5.5, donc elle est utile mais devrait être vérifiée contre le benchmark original avant une décision d’achat ou d’intégration [7].

  • Une critique externe soutient qu’il reste difficile de savoir si GPT-5.5 est sûr à publier parce que l’évaluation dépend fortement des déclarations d’OpenAI, ce qui renforce la nécessité de ne pas confondre performance benchmark et sûreté démontrée [6].

Limitations / uncertainty

  • Insufficient evidence pour une comparaison complète de DeepSeek V4 et Kimi K2.6, car les sources récupérées indiquent leur présence dans des analyses récentes mais ne fournissent pas de tableaux chiffrés complets [1] [13].

  • Insufficient evidence pour un classement unique et robuste des quatre modèles, car aucun benchmark récupéré ne couvre proprement GPT-5.5, Claude Opus 4.7, DeepSeek V4 et Kimi K2.6 avec la même méthodologie.

  • Les scores de benchmarks LLM varient fortement selon le niveau d’effort de raisonnement, le prompt, l’environnement d’exécution, les outils disponibles et les réglages d’inférence; OpenAI indique justement que ses évaluations GPT ont utilisé un effort “xhigh” en environnement de recherche [11].

  • Les résultats de sûreté/cybersécurité ne doivent pas être comparés aux résultats de raisonnement ou de coding comme s’ils mesuraient la même capacité, car une source rapporte à la fois un bon score cyber range de GPT-5.5 et un jailbreak universel trouvé rapidement [3].

Summary

GPT-5.5 est le modèle le plus fort dans les données chiffrées récupérées, notamment sur ARC-AGI-1, ARC-AGI-2 et Terminal-Bench 2.0 [11] [14].

Claude Opus 4.7 conserve un avantage net sur MCP-Atlas, ce qui le rend particulièrement intéressant pour les workflows multi-outils et agents complexes [7].

DeepSeek V4 et Kimi K2.6 semblent importants dans le segment open-weights, mais les sources récupérées ne donnent pas assez de scores exploitables pour les comparer rigoureusement aux deux modèles propriétaires [1] [13].

Le rapport le plus honnête est donc un classement par domaine plutôt qu’un classement global : GPT-5.5 pour raisonnement/coding documenté, Claude Opus 4.7 pour orchestration d’outils documentée, et Insufficient evidence pour départager DeepSeek V4 et Kimi K2.6 numériquement.

Sources

[1] A new look for Artificial Analysis
[2] GPT-5.5 System Card - Deployment Safety Hub - OpenAI
[3] Everything You Need to Know About GPT-5.5
[6] GPT-5.5 and the broken state of government evals
[7] GPT-5.5 Review: Benchmarks, Pricing & Vs Claude
[11] Introducing GPT-5.5 - OpenAI
[13] OpenAI's GPT-5.5 is the new leading AI model - Artificial Analysis
[14] OpenAI's GPT-5.5 masters agentic coding with 82.7% benchmark

Nguồn

  • [1] Everything You Need to Know About GPT-5.5vellum.ai

    3. Cybersecurity capabilities are accelerating faster than safeguards.A 93% cyber range pass rate, combined with a universal jailbreak found in six hours of red-teaming, is the tension that defines this era of AI. 4. The pricing shift favors heavy users.The...

  • [3] 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...

  • [6] Introducing GPT-5.5 - OpenAIopenai.com

    Abstract reasoning EvalGPT-5.5GPT‑5.4GPT-5.5 ProGPT‑5.4 ProClaude Opus 4.7Gemini 3.1 Pro ARC-AGI-1 (Verified)95.0%93.7%-94.5%93.5%98.0% ARC-AGI-2 (Verified)85.0%73.3%-83.3%75.8%77.1% Evals of GPT were run with reasoning effort set to xhigh and were conducte...

  • [8] OpenAI's GPT-5.5 is the new leading AI model - Artificial Analysisartificialanalysis.ai

    Read the latest Image 7 Kimi K2.6: The new leading open weights model Benchmarks and Analysis of Kimi K2.6 April 21, 2026Image 8 Opus 4.7: Everything you need to know Benchmarks and Analysis of Opus 4.7 April 17, 2026Image 9 Sub-32B Open Weights Benchmark a...

  • [14] GPT-5.5 Review: Benchmarks, Pricing & Vs Claude (2026)buildfastwithai.com

    MCP-Atlas: Claude Opus 4.7 scores 79.1% versus GPT-5.5's 75.3%. For teams heavily invested in multi-tool orchestration via the Model Context Protocol, Claude's lead on this benchmark reflects better tool-call reliability in complex, chained scenarios. A not...

  • [15] OpenAI's GPT-5.5 masters agentic coding with 82.7% benchmark ...interestingengineering.com

    — OpenAI (@OpenAI) April 23, 2026 OpenAI said the improvements go beyond benchmarks. Early testers reported that GPT-5.5 better understands system architecture and failure points. It can identify where fixes belong and predict downstream impacts across a co...

  • [19] GPT-5.5 and the broken state of government evalstransformernews.ai

    In other words: we do not know if GPT-5.5 is actually safe to release. All we have to rely on is OpenAI’s word. Such a situation may have been acceptable in 2023. In 2026, with models posing genuine risks to national security and plenty of other vital syste...

  • [20] A new look for Artificial Analysisartificialanalysis.ai

    DeepSeek is back among the leading open weights models with the release of DeepSeek V4 ... Benchmarks and Analysis of Kimi K2.6. April 21, 2026. Apr 10, 2026

  • [21] DeepSeek is back among the leading open weights models with V4 ...artificialanalysis.ai

    Large 10 point gain in Intelligence Index: DeepSeek V4 Pro (Max) scores 52 on the Artificial Analysis Intelligence Index, up from 42 for V3.2, ... 3 days ago