GPT‑5.5, Claude Opus 4.7, Gemini 3.5 Flash, Grok 4.3 e DeepSeek V4 a confronto

Claude Opus 4.7 si distingue però nei benchmark di ingegneria del software reali. Anthropic dichiara 64,3% su SWE‑Bench Pro e 87,6% su SWE‑Bench Verified, entrambi progettati per verificare la capacità del modello di risolvere bug reali in repository open-source.

Gemini 3.5 Flash di Google è notevole perché si posiziona molto più vicino ai modelli di punta rispetto alla media del suo segmento "inferenza veloce". Nella tabella Google, ottiene 76,2% su Terminal‑Bench 2.1, contro il 78,2% di GPT‑5.5 e il 66,1% di Claude Opus 4.7 sulla stessa versione del benchmark.

Per Grok 4.3 e DeepSeek V4 la classificazione è più complessa, a causa di differenze nella trasparenza e metodologia delle valutazioni.

Benchmark di coding

Le prestazioni di programmazione sono uno dei terreni di confronto più chiari.

Claude Opus 4.7 è il leader nei segnali pubblici più solidi. Il suo 64,3% su SWE‑Bench Pro rappresenta un netto miglioramento rispetto ai modelli precedenti e indica una forte capacità nel risolvere issue GitHub reali in diversi linguaggi.

GPT‑5.5 raggiunge un punteggio leggermente inferiore sullo stesso benchmark (58,6%), ma eccelle in attività di ingegneria più ampie come i flussi di lavoro da terminale: Terminal‑Bench 2.0 misura l'automazione complessa di comandi, dove GPT‑5.5 guida con l'82,7%.

Gemini 3.5 Flash arriva al 55,1% su SWE‑Bench Pro: un risultato modesto rispetto a Opus 4.7, ma notevole per un modello veloce.

I benchmark pubblici per Grok 4.3 sono meno standardizzati: i punteggi includono l'81% su IFBench e il 98% su τ²‑Bench telecom, ma misurano capacità più ristrette e non sono direttamente confrontabili con SWE‑Bench o Terminal‑Bench.

Per DeepSeek V4, i benchmark di coding verificati pubblicamente restano limitati. Alcune affermazioni provengono da test interni o leak non riprodotti in modo indipendente, rendendo i confronti affidabili difficili.

Workflow agentici e uso di strumenti

I benchmark moderni misurano sempre più la capacità dei modelli di coordinare strumenti ed eseguire compiti multi-step.

Gemini 3.5 Flash guida diverse valutazioni di tool use, tra cui 83,6% su MCP Atlas e 56,5% su Toolathlon, test progettati per misurare l'orchestrazione multi-strumento e i flussi di lavoro reali.

GPT‑5.5 si comporta bene in ambiti simili grazie a benchmark come GDPval, che misura attività di knowledge-work in 44 professioni e mostra un 84,9% di vittorie o pareggi contro altri modelli.

Claude Opus 4.7 ottiene un solido 78,0% su OSWorld‑Verified, a indicare una buona capacità di operare interfacce desktop e interagire con software.

Contesto, velocità e costo

I benchmark da soli non raccontano tutta la storia.

Grok 4.3 punta su contesto lungo ed efficienza dei costi: xAI dichiara una finestra di contesto da 1 milione di token e una tariffa di circa $1,25 per milione di token in input e $2,50 per milione in output, posizionandolo come opzione potenzialmente più economica per carichi di lavoro estesi.

Gemini 3.5 Flash è progettato per l'inferenza ad alta velocità e viene descritto come significativamente più veloce dei modelli di frontiera, pur rimanendo competitivo su diversi benchmark agentici.

I modelli DeepSeek puntano tipicamente su strategie open-weight o a costo ridotto, interessanti per chi vuole eseguire modelli potenti in locale o su infrastrutture personalizzate.

Valutazione indipendente di DeepSeek V4

La valutazione indipendente più credibile di DeepSeek V4 arriva dal programma CAISI del National Institute of Standards and Technology (NIST) americano.

Secondo questa analisi, DeepSeek V4 è il modello cinese più capace testato in domini come ingegneria del software, cyber e matematica, ma resta indietro di circa otto mesi rispetto ai modelli di frontiera leader.

Il rapporto sottolinea inoltre che i risultati interni di DeepSeek appaiono migliori delle misurazioni indipendenti CAISI, evidenziando l'importanza di valutazioni neutrali.

Perché il confronto incrociato resta imperfetto

Anche con numeri pubblicati, il confronto diretto è difficile per vari motivi:

• I benchmark si presentano spesso in versioni diverse (ad esempio Terminal‑Bench 2.0 vs 2.1).
• Alcuni risultati provengono da valutazioni gestite dal venditore, non da suite di test indipendenti.
• Indici compositi e punteggi Elo (come GDPval‑AA) non sono direttamente confrontabili con benchmark percentuali.

Per questo, una rigida "classifica 1‑a‑5" va interpretata con cautela.

Cosa suggeriscono i dati oggi

Sulla base dei dati pubblici più solidi:

• GPT‑5.5 appare il modello più ampiamente capace in knowledge work, ragionamento e compiti agentici.
• Claude Opus 4.7 mostra il vantaggio più netto nei benchmark di coding reali come SWE‑Bench.
• Gemini 3.5 Flash è insolitamente potente per un modello di inferenza veloce e compete da vicino con le ammiraglie in diverse valutazioni agentiche.
• Grok 4.3 offre un contesto lungo e metriche composite promettenti, ma ha meno confronti standardizzati con i modelli leader.
• DeepSeek V4 rappresenta il modello cinese indipendentemente valutato come più forte, ma secondo l'analisi NIST è ancora dietro alla frontiera attuale.

In pratica, il modello "migliore" dipende molto dal carico di lavoro: agenti di coding, assistenti di ricerca, analisi di contesti lunghi e inferenza a basso costo possono premiare modelli diversi, nonostante headline benchmark simili.