GPT-5.5 vs Claude Opus 4.7 vs DeepSeek V4 vs Kimi K2.6
Claude Opus 4.7 memimpin GPQA Diamond dengan 94,2% dan Humanity’s Last Exam tanpa tool dengan 46,9%, sedangkan GPT 5.5 memimpin Terminal Bench 2.0 dengan 82,7% [4][5]. GPT 5.5 Pro menjadi pilihan terkuat di hasil yang dikutip untuk reasoning dengan tool dan browsing: 57,2% di Humanity’s Last Exam with tools dan 90,1...
Diterbitkan olehDiedit dengan GPT-5.5Gambar dibuat dengan GPT Image 2
Claude Opus 4.7 memimpin GPQA Diamond dengan 94,2% dan Humanity’s Last Exam tanpa tool dengan 46,9%, sedangkan GPT 5.5 memimpin Terminal Bench 2.0 dengan 82,7% [4][5].
GPT 5.5 Pro menjadi pilihan terkuat di hasil yang dikutip untuk reasoning dengan tool dan browsing: 57,2% di Humanity’s Last Exam with tools dan 90,1% di BrowseComp [4].
DeepSeek V4 paling menarik dari sisi biaya kinerja, sementara Kimi K2.6 punya skor menjanjikan tetapi belum sebersih tiga model lain untuk perbandingan empat arah yang sama [4][11][13].
GPT-5.5 vs Claude Opus 4.7 vs DeepSeek V4 vs Kimi K2.6: Benchmark Winners by CategoryAI-generated editorial illustration for comparing frontier model benchmark winners by category.
AI Perintah
Create a landscape editorial hero image for this Studio Global article: GPT-5.5 vs Claude Opus 4.7 vs DeepSeek V4 vs Kimi K2.6: Benchmark Winners by Category. Article summary: No single model wins across the available 2026 benchmark evidence: Claude Opus 4.7 leads GPQA Diamond at 94.2% and Humanity’s Last Exam without tools at 46.9%, GPT 5.5 leads Terminal Bench 2.0 at 82.7%, and GPT 5.5 Pr.... Topic tags: ai, llm benchmarks, openai, anthropic, deepseek. Reference image context from search candidates: Reference image 1: visual subject "Kimi K2.6 ties GPT-5.5 on SWE-bench Pro at 5–6x lower cost — with agent swarms, 13-hour autonomous runs, and open weights. In practice it is the first open-source model that can su" source context "Kimi K2.6: The Complete Developer Guide (2026) - Codersera" Reference image 2: visual subject "# Kimi K2.6 vs DeepSeek V4 vs GPT-5.5 vs Claude Opus 4.7: Which S
openai.com
Kalau hanya melihat tabel benchmark, adu GPT-5.5, Claude Opus 4.7, DeepSeek V4, dan Kimi K2.6 tampak seperti lomba dengan satu pemenang. Kenyataannya tidak sesederhana itu. Tabel bersama yang paling kuat mencakup GPT-5.5, GPT-5.5 Pro bila tersedia, Claude Opus 4.7, dan DeepSeek-V4-Pro-Max; sementara Kimi K2.6 lebih sering muncul di perbandingan terpisah, sehingga tidak selalu apel dengan apel di semua kategori .
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Apa jawaban singkat untuk "GPT-5.5 vs Claude Opus 4.7 vs DeepSeek V4 vs Kimi K2.6"?
Claude Opus 4.7 memimpin GPQA Diamond dengan 94,2% dan Humanity’s Last Exam tanpa tool dengan 46,9%, sedangkan GPT 5.5 memimpin Terminal Bench 2.0 dengan 82,7% [4][5].
Apa poin penting yang harus divalidasi terlebih dahulu?
Claude Opus 4.7 memimpin GPQA Diamond dengan 94,2% dan Humanity’s Last Exam tanpa tool dengan 46,9%, sedangkan GPT 5.5 memimpin Terminal Bench 2.0 dengan 82,7% [4][5]. GPT 5.5 Pro menjadi pilihan terkuat di hasil yang dikutip untuk reasoning dengan tool dan browsing: 57,2% di Humanity’s Last Exam with tools dan 90,1% di BrowseComp [4].
Apa yang harus saya lakukan selanjutnya dalam latihan?
DeepSeek V4 paling menarik dari sisi biaya kinerja, sementara Kimi K2.6 punya skor menjanjikan tetapi belum sebersih tiga model lain untuk perbandingan empat arah yang sama [4][11][13].
GPT-5.5 vs Claude Opus 4.7 vs DeepSeek V4 vs Kimi K2.6
Claude Opus 4.7 memimpin GPQA Diamond dengan 94,2% dan Humanity’s Last Exam tanpa tool dengan 46,9%, sedangkan GPT 5.5 memimpin Terminal Bench 2.0 dengan 82,7% [4][5]. GPT 5.5 Pro menjadi pilihan terkuat di hasil yang dikutip untuk reasoning dengan tool dan browsing: 57,2% di Humanity’s Last Exam with tools dan 90,1...
Diterbitkan olehDiedit dengan GPT-5.5Gambar dibuat dengan GPT Image 2
Claude Opus 4.7 memimpin GPQA Diamond dengan 94,2% dan Humanity’s Last Exam tanpa tool dengan 46,9%, sedangkan GPT 5.5 memimpin Terminal Bench 2.0 dengan 82,7% [4][5].
GPT 5.5 Pro menjadi pilihan terkuat di hasil yang dikutip untuk reasoning dengan tool dan browsing: 57,2% di Humanity’s Last Exam with tools dan 90,1% di BrowseComp [4].
DeepSeek V4 paling menarik dari sisi biaya kinerja, sementara Kimi K2.6 punya skor menjanjikan tetapi belum sebersih tiga model lain untuk perbandingan empat arah yang sama [4][11][13].
GPT-5.5 vs Claude Opus 4.7 vs DeepSeek V4 vs Kimi K2.6: Benchmark Winners by CategoryAI-generated editorial illustration for comparing frontier model benchmark winners by category.
AI Perintah
Create a landscape editorial hero image for this Studio Global article: GPT-5.5 vs Claude Opus 4.7 vs DeepSeek V4 vs Kimi K2.6: Benchmark Winners by Category. Article summary: No single model wins across the available 2026 benchmark evidence: Claude Opus 4.7 leads GPQA Diamond at 94.2% and Humanity’s Last Exam without tools at 46.9%, GPT 5.5 leads Terminal Bench 2.0 at 82.7%, and GPT 5.5 Pr.... Topic tags: ai, llm benchmarks, openai, anthropic, deepseek. Reference image context from search candidates: Reference image 1: visual subject "Kimi K2.6 ties GPT-5.5 on SWE-bench Pro at 5–6x lower cost — with agent swarms, 13-hour autonomous runs, and open weights. In practice it is the first open-source model that can su" source context "Kimi K2.6: The Complete Developer Guide (2026) - Codersera" Reference image 2: visual subject "# Kimi K2.6 vs DeepSeek V4 vs GPT-5.5 vs Claude Opus 4.7: Which S
openai.com
Kalau hanya melihat tabel benchmark, adu GPT-5.5, Claude Opus 4.7, DeepSeek V4, dan Kimi K2.6 tampak seperti lomba dengan satu pemenang. Kenyataannya tidak sesederhana itu. Tabel bersama yang paling kuat mencakup GPT-5.5, GPT-5.5 Pro bila tersedia, Claude Opus 4.7, dan DeepSeek-V4-Pro-Max; sementara Kimi K2.6 lebih sering muncul di perbandingan terpisah, sehingga tidak selalu apel dengan apel di semua kategori .
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Apa jawaban singkat untuk "GPT-5.5 vs Claude Opus 4.7 vs DeepSeek V4 vs Kimi K2.6"?
Claude Opus 4.7 memimpin GPQA Diamond dengan 94,2% dan Humanity’s Last Exam tanpa tool dengan 46,9%, sedangkan GPT 5.5 memimpin Terminal Bench 2.0 dengan 82,7% [4][5].
Apa poin penting yang harus divalidasi terlebih dahulu?
Claude Opus 4.7 memimpin GPQA Diamond dengan 94,2% dan Humanity’s Last Exam tanpa tool dengan 46,9%, sedangkan GPT 5.5 memimpin Terminal Bench 2.0 dengan 82,7% [4][5]. GPT 5.5 Pro menjadi pilihan terkuat di hasil yang dikutip untuk reasoning dengan tool dan browsing: 57,2% di Humanity’s Last Exam with tools dan 90,1% di BrowseComp [4].
Apa yang harus saya lakukan selanjutnya dalam latihan?
DeepSeek V4 paling menarik dari sisi biaya kinerja, sementara Kimi K2.6 punya skor menjanjikan tetapi belum sebersih tiga model lain untuk perbandingan empat arah yang sama [4][11][13].
Cara paling aman membacanya: mulai dari jenis pekerjaan Anda. Untuk sains dan tanya jawab ahli tanpa tool, Claude lebih kuat. Untuk terminal, operasi OS, matematika frontier, dan browsing versi Pro, GPT-5.5 punya beberapa kemenangan jelas. Untuk biaya, DeepSeek V4 patut diuji. Untuk Kimi K2.6, sinyalnya menarik, tetapi perlu pengujian ulang dengan harness yang sama.
Pemenang cepat per kategori
Kebutuhan kerja
Pilihan dengan dukungan data terkuat
Alasannya
Reasoning sains
Claude Opus 4.7
94,2% di GPQA Diamond, di atas GPT-5.5 pada 93,6% dan DeepSeek-V4-Pro-Max pada 90,1%
Reasoning ahli tanpa tool
Claude Opus 4.7
46,9% di Humanity’s Last Exam tanpa tool, di atas GPT-5.5 Pro 43,1%, GPT-5.5 41,4%, dan DeepSeek-V4-Pro-Max 37,7%
Reasoning ujian dengan tool
GPT-5.5 Pro
57,2% di Humanity’s Last Exam with tools, di atas Claude Opus 4.7 pada 54,7%
Terminal dan komputasi agentic
GPT-5.5
82,7% di Terminal-Bench 2.0, jauh di atas Claude Opus 4.7 69,4% dan DeepSeek-V4-Pro-Max 67,9%
Operasi OS
GPT-5.5
78,7% di OSWorld-Verified versus Claude Opus 4.7 pada 78,0%
Matematika frontier
GPT-5.5
51,7% di FrontierMath Tiers 1–3 versus Claude Opus 4.7 pada 43,8%
Software engineering dalam tabel bersama
Claude Opus 4.7
64,3% di SWE-Bench Pro / SWE Pro, di atas GPT-5.5 58,6% dan DeepSeek-V4-Pro-Max 55,4%
Browsing
GPT-5.5 Pro
90,1% di BrowseComp, di atas GPT-5.5 84,4%, DeepSeek-V4-Pro-Max 83,4%, dan Claude Opus 4.7 79,3%
Workflow tool publik ala MCP
Claude Opus 4.7
79,1% di MCP Atlas / MCPAtlas Public, di atas GPT-5.5 75,3% dan DeepSeek-V4-Pro-Max 73,6%
Vision dan analisis dokumen
Claude Opus 4.7
Dilaporkan nomor 1 di Vision & Document Arena, termasuk menang di subkategori diagram, homework, dan OCR
Evaluasi sensitif biaya
DeepSeek V4
VentureBeat menyebut DeepSeek V4 mendekati state-of-the-art dengan biaya sekitar seperenam Opus 4.7 dan GPT-5.5, tetapi klaim biaya tetap perlu divalidasi pada workload sendiri
Perbandingan empat arah paling tidak bersih
Kimi K2.6
Skor Kimi berguna, tetapi bukti yang dikutip sebagian besar berasal dari perbandingan terpisah, bukan tabel bersama yang sama
Tabel benchmark utama
Benchmark / kemampuan
GPT-5.5
GPT-5.5 Pro
Claude Opus 4.7
DeepSeek V4 / V4 Pro Max
Kimi K2.6
Bacaan paling aman
GPQA Diamond
93,6%
Tidak dilaporkan
94,2%
90,1% untuk DeepSeek-V4-Pro-Max
Tidak dilaporkan
Claude memimpin tabel bersama
Humanity’s Last Exam, tanpa tool
41,4%
43,1%
46,9%
Humanity’s Last Exam, dengan tool
52,2%
57,2%
54,7%
Terminal-Bench 2.0
82,7%
Tidak dilaporkan
69,4%
SWE-Bench Pro / SWE Pro
58,6%
Tidak dilaporkan
64,3%
55,4% untuk DeepSeek-V4-Pro-Max
BrowseComp
84,4%
90,1%
79,3%
MCP Atlas / MCPAtlas Public
75,3%
Tidak dilaporkan
79,1%
73,6% untuk DeepSeek-V4-Pro-Max
OSWorld-Verified
78,7%
Tidak dilaporkan
78,0%
Tidak dilaporkan
Tidak dilaporkan
GPT-5.5 unggul tipis atas Claude
FrontierMath Tiers 1–3
51,7%
Tidak dilaporkan
43,8%
Tidak dilaporkan
Tidak dilaporkan
GPT-5.5 memimpin Claude
Vision & Document Arena
Tidak dilaporkan
Tidak dilaporkan
Dilaporkan nomor 1 secara keseluruhan
Tidak dilaporkan
Tidak dilaporkan
Hanya Claude yang punya hasil dikutip
AIME 2026
Tidak dilaporkan
Tidak dilaporkan
Tidak dilaporkan
Tidak tersedia dalam tabel Kimi vs DeepSeek yang dikutip
96,4% dalam Thinking mode
Sinyal Kimi berguna, bukan ranking empat arah
APEX Agents
Tidak dilaporkan
Tidak dilaporkan
Tidak dilaporkan
Tidak tersedia dalam tabel Kimi vs DeepSeek yang dikutip
27,9% dalam Thinking mode
Sinyal Kimi berguna, bukan ranking empat arah
Context window
Tidak dilaporkan
Tidak dilaporkan
1.000k token dalam satu perbandingan Artificial Analysis
1.000k token untuk DeepSeek V4 Pro dalam perbandingan yang sama
Tidak dilaporkan
Claude dan DeepSeek V4 Pro seimbang dalam konfigurasi itu
Baris yang mencampur sumber harus dibaca hati-hati. Skor Kimi yang muncul dalam perbandingan berfokus Kimi tetap berguna, tetapi bobotnya tidak sekuat hasil dari tabel bersama dan harness yang sama dengan GPT-5.5, Claude Opus 4.7, dan DeepSeek-V4-Pro-Max .
GPT-5.5: paling menonjol untuk terminal, OS, matematika, dan tool
Kemenangan paling jelas GPT-5.5 ada di Terminal-Bench 2.0: 82,7% versus Claude Opus 4.7 pada 69,4% dan DeepSeek-V4-Pro-Max pada 67,9% dalam tabel bersama . Selisih ini termasuk yang paling besar dalam kumpulan benchmark yang dikutip.
GPT-5.5 juga unggul atas Claude Opus 4.7 di OSWorld-Verified, tetapi tipis: 78,7% berbanding 78,0% . Di FrontierMath Tiers 1–3, selisihnya lebih terasa: 51,7% untuk GPT-5.5 versus 43,8% untuk Claude .
Jika tool dan browsing menjadi inti pekerjaan, GPT-5.5 Pro mengubah peta. Model ini memimpin Humanity’s Last Exam with tools dengan 57,2%, di atas Claude Opus 4.7 54,7%, GPT-5.5 52,2%, dan DeepSeek-V4-Pro-Max 48,2% . GPT-5.5 Pro juga memimpin BrowseComp dengan 90,1%, di atas GPT-5.5 84,4%, DeepSeek-V4-Pro-Max 83,4%, dan Claude Opus 4.7 79,3% .
Namun GPT-5.5 bukan pemenang di semua tes reasoning. Claude Opus 4.7 unggul tipis di GPQA Diamond, 94,2% versus 93,6%, dalam tabel bersama . Ada pula hasil domain khusus GPT-5.5 seperti 91,7% di Harvey BigLaw Bench, 88,5% di benchmark internal investment banking, dan 80,5% di BixBench; tetapi hasil itu tidak boleh dibaca sebagai kemenangan empat arah karena kutipan yang tersedia tidak melaporkan skor setara untuk Claude Opus 4.7, DeepSeek V4, dan Kimi K2.6 .
Claude Opus 4.7: kuat untuk reasoning tanpa tool dan dokumen
Claude Opus 4.7 punya profil reasoning tanpa tool paling kuat dalam tabel bersama utama. Model ini memimpin GPQA Diamond dengan 94,2% dan Humanity’s Last Exam tanpa tool dengan 46,9% . Dalam tabel yang sama, Claude juga memimpin SWE-Bench Pro / SWE Pro dengan 64,3% dan MCP Atlas / MCPAtlas Public dengan 79,1% .
Area yang lebih lemah dalam data yang dikutip adalah operasi bergaya terminal. GPT-5.5 unggul lebih dari 13 poin atas Claude di Terminal-Bench 2.0, 82,7% versus 69,4%, dan juga unggul di OSWorld-Verified serta FrontierMath Tiers 1–3 .
Untuk multimodal dan dokumen, Claude punya sinyal paling kuat. Satu sumber melaporkan Claude Opus 4.7 sebagai nomor 1 di Vision & Document Arena, naik 4 poin dari Opus 4.6 di Document Arena, serta menang di subkategori diagram, homework, dan OCR . Tetapi sumber yang sama tidak memberikan skor Vision & Document Arena yang sebanding untuk GPT-5.5, DeepSeek V4, atau Kimi K2.6, jadi ini mendukung kekuatan Claude di dokumen, bukan ranking multimodal empat arah yang lengkap .
DeepSeek V4: kompetitif, tetapi keunggulan utama yang dikutip adalah biaya
Ada beberapa label DeepSeek dalam sumber. Tabel bersama memakai DeepSeek-V4-Pro-Max, sementara perbandingan Artificial Analysis menyebut DeepSeek V4 Pro dengan context window 1.000k token . Label-label ini tidak otomatis bisa dianggap sama.
Dalam tabel bersama utama, DeepSeek-V4-Pro-Max kompetitif tetapi tidak memimpin satu pun baris. Skornya adalah 90,1% di GPQA Diamond, 37,7% di Humanity’s Last Exam tanpa tool, 48,2% di Humanity’s Last Exam dengan tool, 67,9% di Terminal-Bench 2.0, 55,4% di SWE-Bench Pro / SWE Pro, 83,4% di BrowseComp, dan 73,6% di MCP Atlas / MCPAtlas Public .
Klaim produk DeepSeek yang paling kuat dalam sumber adalah biaya-kinerja. VentureBeat menggambarkan DeepSeek V4 sebagai model dengan intelligence mendekati state-of-the-art pada biaya sekitar seperenam Opus 4.7 dan GPT-5.5 . Itu alasan bagus untuk mengujinya pada workload sensitif biaya, tetapi bukan alasan untuk melewati validasi kualitas di pekerjaan nyata.
Untuk penyaringan long-context, satu perbandingan Artificial Analysis mencantumkan DeepSeek V4 Pro dan Claude Opus 4.7 sama-sama memiliki context window 1.000k token . Artinya keduanya setara pada konfigurasi yang dicantumkan itu, bukan klaim umum untuk semua mode DeepSeek atau Claude .
Kimi K2.6: skor menjanjikan, tetapi perbandingan langsungnya kurang rapi
Kimi K2.6 adalah model yang paling sulit ditempatkan secara bersih dalam perbandingan ini karena tidak masuk tabel bersama utama melawan GPT-5.5, Claude Opus 4.7, dan DeepSeek-V4-Pro-Max . Satu perbandingan berfokus Kimi melaporkan K2.6 pada 58,6% di SWE-Bench Pro, 80,2% di SWE-Bench Verified, 66,7% di Terminal-Bench 2.0, 54,0% di Humanity’s Last Exam with tools, dan 89,6% di LiveCodeBench v6 . Sumber itu menyebut angka K2.6 berasal dari model card resmi Moonshot AI, tetapi kelompok pembanding utamanya adalah Claude Opus 4.6 dan GPT-5.4, bukan persis empat model dalam artikel ini .
Perbandingan Kimi vs DeepSeek lain melaporkan Kimi K2.6 pada 96,4% di AIME 2026 dalam Thinking mode, 27,9% di APEX Agents dalam Thinking mode, dan 83,2% di BrowseComp dengan Thinking mode serta context management . Dalam sumber yang sama, DeepSeek-V4 Pro tercatat 83,4% di BrowseComp, sementara nilai DeepSeek untuk AIME 2026 dan APEX Agents tidak tersedia .
Jadi, Kimi layak diuji, terutama untuk coding, agentic task, matematika, dan browsing. Namun materi yang dikutip belum cukup untuk menyusun ranking menyeluruh yang bersih terhadap GPT-5.5 dan Claude Opus 4.7 di suite benchmark yang sama .
Model mana yang sebaiknya dites dulu?
Uji GPT-5.5 lebih dulu untuk agent berbasis terminal, tugas operasi OS, dan pekerjaan mirip FrontierMath; model ini memimpin hasil Terminal-Bench 2.0, OSWorld-Verified, dan FrontierMath yang dikutip .
Uji GPT-5.5 Pro lebih dulu jika reasoning dengan tool atau browsing adalah kebutuhan utama; model ini memimpin Humanity’s Last Exam with tools dan BrowseComp dalam tabel bersama .
Uji Claude Opus 4.7 lebih dulu untuk reasoning sains ala GPQA, tanya jawab ahli tanpa tool, software engineering ala SWE-Bench Pro, workflow MCP-style, dan pekerjaan multimodal yang berat dokumen .
Uji DeepSeek V4 lebih dulu jika biaya-kinerja adalah batasan utama dan Anda bisa menjalankan pemeriksaan kualitas sendiri; keunggulan yang dikutip adalah performa mendekati frontier dengan biaya sekitar seperenam Opus 4.7 dan GPT-5.5 .
Uji Kimi K2.6 lebih dulu jika Anda memang ingin mengevaluasi skor coding, agentic, matematika, dan browsing yang dilaporkan; bandingkan dengan prompt, tool, batas konteks, target latensi, dan aturan scoring yang sama seperti model lain .
Catatan penting sebelum memakai angka benchmark
Ini bukan leaderboard universal. Sumber mencampur varian base dan Pro, termasuk GPT-5.5, GPT-5.5 Pro, DeepSeek-V4-Pro-Max, DeepSeek V4 Pro, Claude Opus 4.7, dan Kimi K2.6 . Sebagian hasil juga dilaporkan vendor; OpenAI mencatat evaluasi GPT untuk ARC dijalankan dengan reasoning effort xhigh dalam lingkungan riset yang bisa berbeda dari produksi ChatGPT .
Selisih tipis sebaiknya dianggap sebagai arah, bukan vonis. Keunggulan Claude atas GPT-5.5 di GPQA Diamond hanya 0,6 poin, dan keunggulan GPT-5.5 atas Claude di OSWorld-Verified hanya 0,7 poin . Selisih besar lebih berguna untuk keputusan awal: GPT-5.5 unggul lebih dari 13 poin atas Claude di Terminal-Bench 2.0, dan unggul 7,9 poin di FrontierMath .
Kesimpulan praktisnya: tidak ada satu pemenang tunggal di antara GPT-5.5, Claude Opus 4.7, DeepSeek V4, dan Kimi K2.6. Pilih kategori benchmark yang paling mirip dengan pekerjaan nyata Anda, lalu jalankan evaluasi ulang pada model yang benar-benar bisa Anda deploy.
latent.space
[AINews] Moonshot Kimi K2.6: the world's leading Open Model refreshes to catch up to Opus 4.6 (ahead of DeepSeek v4?)
Cara paling aman membacanya: mulai dari jenis pekerjaan Anda. Untuk sains dan tanya jawab ahli tanpa tool, Claude lebih kuat. Untuk terminal, operasi OS, matematika frontier, dan browsing versi Pro, GPT-5.5 punya beberapa kemenangan jelas. Untuk biaya, DeepSeek V4 patut diuji. Untuk Kimi K2.6, sinyalnya menarik, tetapi perlu pengujian ulang dengan harness yang sama.
Pemenang cepat per kategori
Kebutuhan kerja
Pilihan dengan dukungan data terkuat
Alasannya
Reasoning sains
Claude Opus 4.7
94,2% di GPQA Diamond, di atas GPT-5.5 pada 93,6% dan DeepSeek-V4-Pro-Max pada 90,1%
Reasoning ahli tanpa tool
Claude Opus 4.7
46,9% di Humanity’s Last Exam tanpa tool, di atas GPT-5.5 Pro 43,1%, GPT-5.5 41,4%, dan DeepSeek-V4-Pro-Max 37,7%
Reasoning ujian dengan tool
GPT-5.5 Pro
57,2% di Humanity’s Last Exam with tools, di atas Claude Opus 4.7 pada 54,7%
Terminal dan komputasi agentic
GPT-5.5
82,7% di Terminal-Bench 2.0, jauh di atas Claude Opus 4.7 69,4% dan DeepSeek-V4-Pro-Max 67,9%
Operasi OS
GPT-5.5
78,7% di OSWorld-Verified versus Claude Opus 4.7 pada 78,0%
Matematika frontier
GPT-5.5
51,7% di FrontierMath Tiers 1–3 versus Claude Opus 4.7 pada 43,8%
Software engineering dalam tabel bersama
Claude Opus 4.7
64,3% di SWE-Bench Pro / SWE Pro, di atas GPT-5.5 58,6% dan DeepSeek-V4-Pro-Max 55,4%
Browsing
GPT-5.5 Pro
90,1% di BrowseComp, di atas GPT-5.5 84,4%, DeepSeek-V4-Pro-Max 83,4%, dan Claude Opus 4.7 79,3%
Workflow tool publik ala MCP
Claude Opus 4.7
79,1% di MCP Atlas / MCPAtlas Public, di atas GPT-5.5 75,3% dan DeepSeek-V4-Pro-Max 73,6%
Vision dan analisis dokumen
Claude Opus 4.7
Dilaporkan nomor 1 di Vision & Document Arena, termasuk menang di subkategori diagram, homework, dan OCR
Evaluasi sensitif biaya
DeepSeek V4
VentureBeat menyebut DeepSeek V4 mendekati state-of-the-art dengan biaya sekitar seperenam Opus 4.7 dan GPT-5.5, tetapi klaim biaya tetap perlu divalidasi pada workload sendiri
Perbandingan empat arah paling tidak bersih
Kimi K2.6
Skor Kimi berguna, tetapi bukti yang dikutip sebagian besar berasal dari perbandingan terpisah, bukan tabel bersama yang sama
Tabel benchmark utama
Benchmark / kemampuan
GPT-5.5
GPT-5.5 Pro
Claude Opus 4.7
DeepSeek V4 / V4 Pro Max
Kimi K2.6
Bacaan paling aman
GPQA Diamond
93,6%
Tidak dilaporkan
94,2%
90,1% untuk DeepSeek-V4-Pro-Max
Tidak dilaporkan
Claude memimpin tabel bersama
Humanity’s Last Exam, tanpa tool
41,4%
43,1%
46,9%
Humanity’s Last Exam, dengan tool
52,2%
57,2%
54,7%
Terminal-Bench 2.0
82,7%
Tidak dilaporkan
69,4%
SWE-Bench Pro / SWE Pro
58,6%
Tidak dilaporkan
64,3%
55,4% untuk DeepSeek-V4-Pro-Max
BrowseComp
84,4%
90,1%
79,3%
MCP Atlas / MCPAtlas Public
75,3%
Tidak dilaporkan
79,1%
73,6% untuk DeepSeek-V4-Pro-Max
OSWorld-Verified
78,7%
Tidak dilaporkan
78,0%
Tidak dilaporkan
Tidak dilaporkan
GPT-5.5 unggul tipis atas Claude
FrontierMath Tiers 1–3
51,7%
Tidak dilaporkan
43,8%
Tidak dilaporkan
Tidak dilaporkan
GPT-5.5 memimpin Claude
Vision & Document Arena
Tidak dilaporkan
Tidak dilaporkan
Dilaporkan nomor 1 secara keseluruhan
Tidak dilaporkan
Tidak dilaporkan
Hanya Claude yang punya hasil dikutip
AIME 2026
Tidak dilaporkan
Tidak dilaporkan
Tidak dilaporkan
Tidak tersedia dalam tabel Kimi vs DeepSeek yang dikutip
96,4% dalam Thinking mode
Sinyal Kimi berguna, bukan ranking empat arah
APEX Agents
Tidak dilaporkan
Tidak dilaporkan
Tidak dilaporkan
Tidak tersedia dalam tabel Kimi vs DeepSeek yang dikutip
27,9% dalam Thinking mode
Sinyal Kimi berguna, bukan ranking empat arah
Context window
Tidak dilaporkan
Tidak dilaporkan
1.000k token dalam satu perbandingan Artificial Analysis
1.000k token untuk DeepSeek V4 Pro dalam perbandingan yang sama
Tidak dilaporkan
Claude dan DeepSeek V4 Pro seimbang dalam konfigurasi itu
Baris yang mencampur sumber harus dibaca hati-hati. Skor Kimi yang muncul dalam perbandingan berfokus Kimi tetap berguna, tetapi bobotnya tidak sekuat hasil dari tabel bersama dan harness yang sama dengan GPT-5.5, Claude Opus 4.7, dan DeepSeek-V4-Pro-Max .
GPT-5.5: paling menonjol untuk terminal, OS, matematika, dan tool
Kemenangan paling jelas GPT-5.5 ada di Terminal-Bench 2.0: 82,7% versus Claude Opus 4.7 pada 69,4% dan DeepSeek-V4-Pro-Max pada 67,9% dalam tabel bersama . Selisih ini termasuk yang paling besar dalam kumpulan benchmark yang dikutip.
GPT-5.5 juga unggul atas Claude Opus 4.7 di OSWorld-Verified, tetapi tipis: 78,7% berbanding 78,0% . Di FrontierMath Tiers 1–3, selisihnya lebih terasa: 51,7% untuk GPT-5.5 versus 43,8% untuk Claude .
Jika tool dan browsing menjadi inti pekerjaan, GPT-5.5 Pro mengubah peta. Model ini memimpin Humanity’s Last Exam with tools dengan 57,2%, di atas Claude Opus 4.7 54,7%, GPT-5.5 52,2%, dan DeepSeek-V4-Pro-Max 48,2% . GPT-5.5 Pro juga memimpin BrowseComp dengan 90,1%, di atas GPT-5.5 84,4%, DeepSeek-V4-Pro-Max 83,4%, dan Claude Opus 4.7 79,3% .
Namun GPT-5.5 bukan pemenang di semua tes reasoning. Claude Opus 4.7 unggul tipis di GPQA Diamond, 94,2% versus 93,6%, dalam tabel bersama . Ada pula hasil domain khusus GPT-5.5 seperti 91,7% di Harvey BigLaw Bench, 88,5% di benchmark internal investment banking, dan 80,5% di BixBench; tetapi hasil itu tidak boleh dibaca sebagai kemenangan empat arah karena kutipan yang tersedia tidak melaporkan skor setara untuk Claude Opus 4.7, DeepSeek V4, dan Kimi K2.6 .
Claude Opus 4.7: kuat untuk reasoning tanpa tool dan dokumen
Claude Opus 4.7 punya profil reasoning tanpa tool paling kuat dalam tabel bersama utama. Model ini memimpin GPQA Diamond dengan 94,2% dan Humanity’s Last Exam tanpa tool dengan 46,9% . Dalam tabel yang sama, Claude juga memimpin SWE-Bench Pro / SWE Pro dengan 64,3% dan MCP Atlas / MCPAtlas Public dengan 79,1% .
Area yang lebih lemah dalam data yang dikutip adalah operasi bergaya terminal. GPT-5.5 unggul lebih dari 13 poin atas Claude di Terminal-Bench 2.0, 82,7% versus 69,4%, dan juga unggul di OSWorld-Verified serta FrontierMath Tiers 1–3 .
Untuk multimodal dan dokumen, Claude punya sinyal paling kuat. Satu sumber melaporkan Claude Opus 4.7 sebagai nomor 1 di Vision & Document Arena, naik 4 poin dari Opus 4.6 di Document Arena, serta menang di subkategori diagram, homework, dan OCR . Tetapi sumber yang sama tidak memberikan skor Vision & Document Arena yang sebanding untuk GPT-5.5, DeepSeek V4, atau Kimi K2.6, jadi ini mendukung kekuatan Claude di dokumen, bukan ranking multimodal empat arah yang lengkap .
DeepSeek V4: kompetitif, tetapi keunggulan utama yang dikutip adalah biaya
Ada beberapa label DeepSeek dalam sumber. Tabel bersama memakai DeepSeek-V4-Pro-Max, sementara perbandingan Artificial Analysis menyebut DeepSeek V4 Pro dengan context window 1.000k token . Label-label ini tidak otomatis bisa dianggap sama.
Dalam tabel bersama utama, DeepSeek-V4-Pro-Max kompetitif tetapi tidak memimpin satu pun baris. Skornya adalah 90,1% di GPQA Diamond, 37,7% di Humanity’s Last Exam tanpa tool, 48,2% di Humanity’s Last Exam dengan tool, 67,9% di Terminal-Bench 2.0, 55,4% di SWE-Bench Pro / SWE Pro, 83,4% di BrowseComp, dan 73,6% di MCP Atlas / MCPAtlas Public .
Klaim produk DeepSeek yang paling kuat dalam sumber adalah biaya-kinerja. VentureBeat menggambarkan DeepSeek V4 sebagai model dengan intelligence mendekati state-of-the-art pada biaya sekitar seperenam Opus 4.7 dan GPT-5.5 . Itu alasan bagus untuk mengujinya pada workload sensitif biaya, tetapi bukan alasan untuk melewati validasi kualitas di pekerjaan nyata.
Untuk penyaringan long-context, satu perbandingan Artificial Analysis mencantumkan DeepSeek V4 Pro dan Claude Opus 4.7 sama-sama memiliki context window 1.000k token . Artinya keduanya setara pada konfigurasi yang dicantumkan itu, bukan klaim umum untuk semua mode DeepSeek atau Claude .
Kimi K2.6: skor menjanjikan, tetapi perbandingan langsungnya kurang rapi
Kimi K2.6 adalah model yang paling sulit ditempatkan secara bersih dalam perbandingan ini karena tidak masuk tabel bersama utama melawan GPT-5.5, Claude Opus 4.7, dan DeepSeek-V4-Pro-Max . Satu perbandingan berfokus Kimi melaporkan K2.6 pada 58,6% di SWE-Bench Pro, 80,2% di SWE-Bench Verified, 66,7% di Terminal-Bench 2.0, 54,0% di Humanity’s Last Exam with tools, dan 89,6% di LiveCodeBench v6 . Sumber itu menyebut angka K2.6 berasal dari model card resmi Moonshot AI, tetapi kelompok pembanding utamanya adalah Claude Opus 4.6 dan GPT-5.4, bukan persis empat model dalam artikel ini .
Perbandingan Kimi vs DeepSeek lain melaporkan Kimi K2.6 pada 96,4% di AIME 2026 dalam Thinking mode, 27,9% di APEX Agents dalam Thinking mode, dan 83,2% di BrowseComp dengan Thinking mode serta context management . Dalam sumber yang sama, DeepSeek-V4 Pro tercatat 83,4% di BrowseComp, sementara nilai DeepSeek untuk AIME 2026 dan APEX Agents tidak tersedia .
Jadi, Kimi layak diuji, terutama untuk coding, agentic task, matematika, dan browsing. Namun materi yang dikutip belum cukup untuk menyusun ranking menyeluruh yang bersih terhadap GPT-5.5 dan Claude Opus 4.7 di suite benchmark yang sama .
Model mana yang sebaiknya dites dulu?
Uji GPT-5.5 lebih dulu untuk agent berbasis terminal, tugas operasi OS, dan pekerjaan mirip FrontierMath; model ini memimpin hasil Terminal-Bench 2.0, OSWorld-Verified, dan FrontierMath yang dikutip .
Uji GPT-5.5 Pro lebih dulu jika reasoning dengan tool atau browsing adalah kebutuhan utama; model ini memimpin Humanity’s Last Exam with tools dan BrowseComp dalam tabel bersama .
Uji Claude Opus 4.7 lebih dulu untuk reasoning sains ala GPQA, tanya jawab ahli tanpa tool, software engineering ala SWE-Bench Pro, workflow MCP-style, dan pekerjaan multimodal yang berat dokumen .
Uji DeepSeek V4 lebih dulu jika biaya-kinerja adalah batasan utama dan Anda bisa menjalankan pemeriksaan kualitas sendiri; keunggulan yang dikutip adalah performa mendekati frontier dengan biaya sekitar seperenam Opus 4.7 dan GPT-5.5 .
Uji Kimi K2.6 lebih dulu jika Anda memang ingin mengevaluasi skor coding, agentic, matematika, dan browsing yang dilaporkan; bandingkan dengan prompt, tool, batas konteks, target latensi, dan aturan scoring yang sama seperti model lain .
Catatan penting sebelum memakai angka benchmark
Ini bukan leaderboard universal. Sumber mencampur varian base dan Pro, termasuk GPT-5.5, GPT-5.5 Pro, DeepSeek-V4-Pro-Max, DeepSeek V4 Pro, Claude Opus 4.7, dan Kimi K2.6 . Sebagian hasil juga dilaporkan vendor; OpenAI mencatat evaluasi GPT untuk ARC dijalankan dengan reasoning effort xhigh dalam lingkungan riset yang bisa berbeda dari produksi ChatGPT .
Selisih tipis sebaiknya dianggap sebagai arah, bukan vonis. Keunggulan Claude atas GPT-5.5 di GPQA Diamond hanya 0,6 poin, dan keunggulan GPT-5.5 atas Claude di OSWorld-Verified hanya 0,7 poin . Selisih besar lebih berguna untuk keputusan awal: GPT-5.5 unggul lebih dari 13 poin atas Claude di Terminal-Bench 2.0, dan unggul 7,9 poin di FrontierMath .
Kesimpulan praktisnya: tidak ada satu pemenang tunggal di antara GPT-5.5, Claude Opus 4.7, DeepSeek V4, dan Kimi K2.6. Pilih kategori benchmark yang paling mirip dengan pekerjaan nyata Anda, lalu jalankan evaluasi ulang pada model yang benar-benar bisa Anda deploy.
latent.space
[AINews] Moonshot Kimi K2.6: the world's leading Open Model refreshes to catch up to Opus 4.6 (ahead of DeepSeek v4?)
