GPT-5.5 vs Claude Opus 4.7 vs DeepSeek V4 vs Kimi K2.6

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 .

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%	37,7% untuk DeepSeek-V4-Pro-Max	Tidak dilaporkan	Claude memimpin tabel bersama
Humanity’s Last Exam, dengan tool	52,2%	57,2%	54,7%	48,2% untuk DeepSeek-V4-Pro-Max	54,0% dalam perbandingan Kimi terpisah	GPT-5.5 Pro memimpin tabel bersama
Terminal-Bench 2.0	82,7%	Tidak dilaporkan	69,4%	67,9% untuk DeepSeek-V4-Pro-Max	66,7% dalam perbandingan Kimi terpisah	GPT-5.5 memimpin
SWE-Bench Pro / SWE Pro	58,6%	Tidak dilaporkan	64,3%	55,4% untuk DeepSeek-V4-Pro-Max	58,6% dalam perbandingan Kimi terpisah	Claude memimpin tabel bersama
BrowseComp	84,4%	90,1%	79,3%	83,4% untuk DeepSeek-V4-Pro-Max ; 83,4% untuk DeepSeek-V4 Pro dalam perbandingan lain	83,2% dalam perbandingan Kimi vs DeepSeek	GPT-5.5 Pro memimpin tabel bersama
MCP Atlas / MCPAtlas Public	75,3%	Tidak dilaporkan	79,1%	73,6% untuk DeepSeek-V4-Pro-Max	Tidak dilaporkan	Claude memimpin
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.