GPT-5.5、Claude Opus 4.7、DeepSeek V4、Kimi K2.6の公開ベンチマーク比較

四者を横に並べられる数少ない項目：Terminal-Bench 2.0

今回参照できる公開資料の範囲で、4つの対象モデルすべてにスコアが見つかる共有項目はTerminal-Bench 2.0です。公開表に基づく並びは次の通りです。

ここから安全に言えるのは、あくまでTerminal-Bench 2.0という単一項目では、GPT-5.5が明確に先行し、Claude Opus 4.7が2番手、DeepSeek V4-Pro MaxとKimi K2.6 Thinkingは近い水準にあるということです。

ただし、この1項目だけで「GPT-5.5がすべての業務で最良」とまでは言えません。ツール権限、コンテキスト長、推論予算、評価ハーネス、失敗時のリカバリー条件が違えば、実務での順位は変わり得ます。

GPT-5.5対Claude Opus 4.7：OpenAI表の中ではGPT-5.5が上回る

OpenAIのGPT-5.5発表ページには、GPT-5.5とClaude Opus 4.7の複数ベンチマーク比較が掲載されています。その表に載る項目では、GPT-5.5のスコアがClaude Opus 4.7をすべて上回っています。

この表から導けるのは、OpenAIが列挙した評価項目ではGPT-5.5がClaude Opus 4.7を上回るという限定的な結論です。 OpenAIのシステムカードでも、GPT-5.5はコード作成、オンライン調査、情報分析、文書やスプレッドシート作成、複数ツールをまたぐ作業など、複雑な実務向けのモデルとして位置づけられています。

一方で、これはOpenAIの発表ページ内の比較表であり、4モデルを同一条件で再評価した独立第三者の統一テストではありません。

DeepSeek V4-Pro Max対Kimi K2.6 Thinking：DeepSeek表ではDeepSeekが多数項目で先行

DeepSeek V4-Proモデルカードには、DS-V4-Pro MaxとK2.6 Thinkingを並べた複数項目の比較が掲載されています。 その表では、DS-V4-Pro Maxが多くの項目でK2.6 Thinkingを上回りますが、Kimi側にも明確な先行項目があります。

この表の堅い読み方は、DeepSeekモデルカードに掲載された多くの項目ではDS-V4-Pro MaxがK2.6 Thinkingを上回るが、Kimi K2.6 ThinkingはGPQA DiamondとSWE Proで先行するというものです。 MMLU-ProやTerminal-Bench 2.0の差は大きくないため、製品選定では「どちらが上か」だけでなく、自分たちのタスクに近い評価項目かどうかを見る必要があります。

なぜ四者の絶対的な総合順位を出せないのか

最も危ない読み方は、OpenAIの表、DeepSeekの表、Anthropicの機能ドキュメントをそのままつなげて「総合優勝」を決めることです。現時点の公開資料では、それは支えられません。理由は主に3つあります。

1. 比較されているバージョンが違う。 OpenAIの表はGPT-5.5とClaude Opus 4.7を比較しています。一方、DeepSeek表のGPT列とClaude列はGPT-5.4 xHighとOpus-4.6 Maxです。
2. 情報の出所が違う。 資料はベンダー発表ページ、システムカード、APIドキュメント、モデルカードに分かれており、同一の第三者評価フレームワークで4モデルを一括再テストしたものではありません。
3. 指標が同じ能力を測っているとは限らない。 GDPval、BrowseComp、FrontierMath、CyberGym、MMLU-Pro、GPQA Diamond、SWE Proなどは、それぞれ異なる能力を見ます。重みづけを決めずに合計点を作ると、実際の業務差を隠してしまいます。

したがって、公開ベンチマークは一次スクリーニングには有効ですが、購入判断やアーキテクチャ選定の最終根拠としては不十分です。

実務で選ぶなら、3層に分けて見る

製品や社内システムに組み込む前提なら、次のように切り分けるのが現実的です。

• 共有ベンチマーク層。 現時点で最も明確な四者の交点はTerminal-Bench 2.0です。この項目ではGPT-5.5が先行しています。
• ベンダー表内比較層。 OpenAI表は、掲載項目においてGPT-5.5がClaude Opus 4.7を上回ることを示します。DeepSeekモデルカードは、掲載項目の多くでDS-V4-Pro MaxがK2.6 Thinkingを上回ることを示します。
• 自社タスクでの再テスト層。 コーディング、エージェント処理、推論、検索、ツール利用、遅延、コストなどを、自社の実タスクに分解します。そのうえで、同じプロンプト、同じコンテキスト、同じツール権限、同じ採点ルールで比較します。

長いエージェントループを使う製品なら、Claude Opus 4.7の

task budgets

一方、複雑なコーディング、オンライン調査、文書や表計算ファイルの作成、複数ツールをまたぐ業務に近いなら、GPT-5.5のシステムカードに書かれた想定用途はその領域と直接重なります。 ただし、公開表で強いモデルであっても、自社のコードベース、ツールチェーン、権限境界、エラー復旧設計の中で再検証することは欠かせません。

現時点で最も安全な結論

• Terminal-Bench 2.0単項目では、 GPT-5.5が1位、Claude Opus 4.7が2位、DeepSeek V4-Pro Maxが3位、Kimi K2.6 Thinkingが4位です。
• OpenAI表の中では、 GPT-5.5が掲載項目でClaude Opus 4.7を上回っています。
• DeepSeek表の中では、 DS-V4-Pro Maxが多くの項目でKimi K2.6 Thinkingを上回りますが、KimiはGPQA DiamondとSWE Proで先行しています。
• 四者の絶対的な総合順位については、 証拠がまだ足りません。同一第三者、同一バージョン、同一評価条件での完全な四者比較は、今回参照できる公開資料にはありません。