GPT-5.5、Claude Opus 4.7、DeepSeek V4、Kimi K2.6はどう選ぶ？

主要ベンチマークと価格の比較

DeepSeekについては、資料によってDeepSeek V4、DeepSeek V4 Pro、DeepSeek-V4-Pro-Maxという表記が混在しています。 下の表では、出典に出ている名称をそのまま残し、異なる設定を同一モデルとして扱いすぎないようにしています。

GPT-5.5：ツール利用型エージェントの本命候補

Artificial Analysisの可視要約では、Intelligence Indexの上位にGPT-5.5 xhighが60、GPT-5.5 highが59、Claude Opus 4.7 Adaptive Reasoning, Max Effortが57として掲載されています。 この範囲ではGPT-5.5がClaude Opus 4.7より上に見えますが、同じ要約にはDeepSeek V4とKimi K2.6の同口径スコアが出ていないため、4モデル全体の総合順位までは言えません。

GPT-5.5が特に目立つのは、長く続くツール利用タスクです。BrowseCompは84.4%、Terminal-Bench 2.0は82.7%で、VentureBeatの表ではClaude Opus 4.7とDeepSeek-V4-Pro-Maxを上回ります。 OpenAIの公開情報でも、GDPval 84.9%、OSWorld-Verified 78.7%、Tau2-bench Telecom 98.0%といった、知識労働や実環境操作に近いベンチマークの数値が示されています。

Claude Opus 4.7：推論とレビューを重視するなら強い

高難度推論では、Claude Opus 4.7の優位が比較的はっきり見えます。VentureBeatの要約では、GPQA DiamondがClaude Opus 4.7 94.2%、GPT-5.5 93.6%、DeepSeek-V4-Pro-Max 90.1%。Humanity’s Last Exam no-toolsはClaude Opus 4.7 46.9%、GPT-5.5 41.4%、GPT-5.5 Pro 43.1%、DeepSeek-V4-Pro-Max 37.7%です。

LLM Statsも、両社が報告している10個のベンチマークではClaude Opus 4.7が6件、GPT-5.5が4件でリードしていると整理しています。Claudeの強みはreasoning-heavyとreview-grade testsに、GPT-5.5の強みはlong-running tool-use testsに寄っているという見立てです。

DeepSeek V4：価格重視のAPIルートで試す価値が大きい

DeepSeek V4の魅力は、性能そのものよりも価格とのバランスにあります。Mashableの要約では、DeepSeek V4は100万入力トークンあたり1.74米ドル、100万出力トークンあたり3.48米ドルで、1M context windowとされています。GPT-5.5は5 / 30米ドル、Claude Opus 4.7は5 / 25米ドルで、いずれも同じく1M context windowとされています。

DataCampのDeepSeek V4比較でも、DeepSeek V4 Pro、GPT-5.5、Claude Opus 4.7の価格とcontext windowは同様の口径で示されています。 さらにDeepSeek-V4-Pro-MaxはBrowseCompで83.4%と、GPT-5.5の84.4%に近い値です。 そのため、大量のAPI呼び出しをさばく用途では、まずDeepSeek V4を安価なルートとして回帰テストに入れる判断は自然です。

Kimi K2.6：coding-agent実験枠。ただし同場比較は不足

Kimi K2.6は、単純な総合順位よりも、オープンソース系のcoding-agent候補として見るほうが無理がありません。DocsBotはKimi K2.6をMoonshot AIのopen-source native multimodal agentic modelと説明し、long-horizon coding、coding-driven design、autonomous execution、swarm-based orchestration向けのモデルとして紹介しています。

一方で、数値の扱いには注意が必要です。Verdentの要約ではKimi K2.6がSWE-Bench Pro 58.60%、SWE-Bench Verified 80.20%、LiveCodeBench v6 89.60%、Terminal-Bench 2.0 66.70%とされていますが、Kimi K2.6の数値はMoonshot AI official model card由来で、SWE-Bench ProはMoonshot in-house harnessを使ったものだと注記されています。 つまり、Kimi K2.6は試す価値のある候補ですが、この数値をそのままGPT-5.5、Claude Opus 4.7、DeepSeek V4との完全な順位表に入れるのは慎重であるべきです。

Coding / SWEでは何を見るべきか

DataCampのDeepSeek V4比較では、SWE-Bench ProはDeepSeek V4 Pro 55.4%、GPT-5.5 58.6%、Claude Opus 4.7 64.3%です。 Yahoo / Investing.comも、GPT-5.5はTerminal-Bench 2.0で82.7%、SWE-Bench Proで58.6%と報じ、SWE-Bench ProはGitHub issue resolutionを評価するものだと説明しています。

ただし、ソフトウェア開発の現場ではSWE-Bench Proの1指標だけでは足りません。大規模リポジトリ修正、コードレビュー、長時間のcoding-agent運用では、ツール呼び出し、途中復帰、差分の妥当性、失敗時の修正能力まで見たいところです。可視のSWE-Bench ProではClaude Opus 4.7が高く、Terminal-Bench 2.0のような長いツール作業ではGPT-5.5が強く、Kimi K2.6は自社のリポジトリとツールチェーンで補足テストする位置づけになります。

実務でのおすすめ構成：1モデルに決め打ちしない

多くのプロダクトチームにとって、答えは「どれか1つを買う」ではなく、モデルルーティングと回帰テストを作ることです。

1. GPT-5.5を高性能エージェントの基準にする。 BrowseComp、Terminal-Bench 2.0に加え、GDPval、OSWorld-Verified、Tau2-bench Telecomでも強い公開数値があります。
2. Claude Opus 4.7を推論、レビュー、低許容エラーのタスクで試す。 GPQA Diamond、Humanity’s Last Exam no-tools、LLM Statsが整理するreasoning-heavy / review-grade testsで目立ちます。
3. DeepSeek V4を高トラフィックAPIのコスト削減候補にする。 公開トークン価格はGPT-5.5とClaude Opus 4.7を下回り、BrowseCompではGPT-5.5に近い数値です。
4. Kimi K2.6をオープンソースcoding-agentの実験プールに入れる。 codingとagentic系の可視指標はありますが、GPT-5.5、Claude Opus 4.7、DeepSeek V4との完全な同場比較が不足しているため、自社のタスクで検証するのが前提です。

この比較で注意したいこと

• 全モデルが同じ条件で測られているわけではありません。 GPT-5.5、Claude Opus 4.7、DeepSeek-V4-Pro-MaxはVentureBeatの要約に一部同表の数値がありますが、Kimi K2.6は主に別の比較表に基づきます。
• モデル設定が違う可能性があります。 Artificial AnalysisではGPT-5.5にxhigh / highがあり、Claude Opus 4.7はAdaptive Reasoning, Max Effortです。VentureBeatではDeepSeek-V4-Pro-Maxが使われています。
• 自己申告値と第三者評価は同列に扱いにくいです。 LLM Statsは、GPT-5.5とClaude Opus 4.7の一部スコアが各社の高推論tierでの自己申告で、方法論が完全には一致しないと明記しています。
• 公開ベンチマークは導入判断の入口にすぎません。 BrowseCompはagentic web browsing、Terminal-Bench 2.0はcommand-line workflows、SWE-Bench ProはGitHub issue resolutionに寄った評価であり、実際の業務タスクをそのまま代替するものではありません。

最終判断

公開情報だけで一次選定するなら、GPT-5.5はagentic tool-useと可視の総合指標で強い候補、Claude Opus 4.7は推論とreview-gradeタスクで強い候補、DeepSeek V4は価格面で最も魅力的な候補、Kimi K2.6はオープンソース / coding-agentの実験候補です。

本番導入前には、同じプロンプト、同じツール権限、同じコンテキスト長、同じ成功判定で回帰テストを組むべきです。公開ベンチマークの役割は、最初に誰を試すかを決めること。最終的な選定は、プロダクトのタスク、エラーのコスト、トークン単価を合わせて判断するのが安全です。