GPT-5.5、Claude Opus 4.7、Kimi K2.6、DeepSeek V4-Proをどう選ぶか
現時点の公開情報だけで、4モデルを公平な単一ランキングにするのは難しい。引用可能な数値ではGPT 5.5がTerminal Bench 2.0で82.7％、Claude Opus 4.7がSWE Bench Proで64.3％だが、後者はAWSを引用した二次整理の数値であり、出所や条件の違いに注意が必要だ。[27][4] スクリーンショット、文書理解、computer useのような視覚・UI操作では、Claude Opus 4.7の公式証拠が最も直接的。Anthropicはvision heavy workflowの改善、1:1のピクセル座標、XBOWの視覚ベンチマーク98.5％を示している。[1][5] DeepSeek...
GPT-5.5、Claude Opus 4.7、Kimi K2.6、DeepSeek V4 基準測試比較AI 生成示意圖：本文比較 GPT-5.5、Claude Opus 4.7、Kimi K2.6 與 DeepSeek V4-Pro 在公開基準測試中的表現。
AI プロンプト
Create a landscape editorial hero image for this Studio Global article: GPT-5.5、Claude Opus 4.7、Kimi K2.6、DeepSeek V4 基準測試比較. Article summary: 目前不能公平選出單一總冠軍；四款模型缺少同一評測 harness、同一工具設定下的完整共同分數。可引用資料中，GPT 5.5 以 82.7% 領先 Terminal Bench 2.0，Claude Opus 4.7 以 64.3% 暫居 SWE Bench Pro 第一，但 Claude 數字來自次級整理引用 AWS。[27][4]. Topic tags: ai, llm, benchmarks, openai, anthropic. Reference image context from search candidates: Reference image 1: visual subject "OpenAI’s GPT-5.5, Anthropic’s Claude Opus 4.7, and DeepSeek V4 arrived close enough together to look like a clean three-way race. **GPT-5.5 is OpenAI’s bet on execution-heavy profe" source context "GPT-5.5, Claude Opus 4.7, and DeepSeek V4 reveal three different ..." Reference image 2: visual subject "GPT-5.5, Claude Opus 4.7, and DeepSeek V4 reveal three different futures for AI" source context "GPT-5.5, Claude Opus 4.7, and DeepSeek V4 reveal thr
openai.com
GPT-5.5、Claude Opus 4.7、Kimi K2.6、DeepSeek V4-Proを比較するとき、最初に避けたいのは、出所も実行条件も違う数字をそのまま一つの順位表にしてしまうことです。公開情報を実務寄りに読むなら、コマンドラインやCLIエージェントはGPT-5.5、SWE-Bench系と視覚・computer-use系はClaude Opus 4.7、知識・数学やオープンモデル路線はDeepSeek V4-Pro、Cloudflare Workers AI上のマルチモーダルなエージェント処理はKimi K2.6を候補に入れる、という見方が現実的です。
「GPT-5.5、Claude Opus 4.7、Kimi K2.6、DeepSeek V4-Proをどう選ぶか」の短い答えは何ですか?
現時点の公開情報だけで、4モデルを公平な単一ランキングにするのは難しい。引用可能な数値ではGPT 5.5がTerminal Bench 2.0で82.7％、Claude Opus 4.7がSWE Bench Proで64.3％だが、後者はAWSを引用した二次整理の数値であり、出所や条件の違いに注意が必要だ。[27][4]
最初に検証する重要なポイントは何ですか?
現時点の公開情報だけで、4モデルを公平な単一ランキングにするのは難しい。引用可能な数値ではGPT 5.5がTerminal Bench 2.0で82.7％、Claude Opus 4.7がSWE Bench Proで64.3％だが、後者はAWSを引用した二次整理の数値であり、出所や条件の違いに注意が必要だ。[27][4] スクリーンショット、文書理解、computer useのような視覚・UI操作では、Claude Opus 4.7の公式証拠が最も直接的。Anthropicはvision heavy workflowの改善、1:1のピクセル座標、XBOWの視覚ベンチマーク98.5％を示している。[1][5]
次の実践では何をすればいいでしょうか？
DeepSeek V4 ProはHugging Face model cardでGPQA、GSM8K、MMLU Pro、HLEなどの知識・数学系スコアがまとまっている。Kimi K2.6はCloudflare Workers AIでの提供と、agentic multimodal workflow向けの位置づけが目立つ。[64][36]
第二に、ツール利用の有無で順位が変わり得ます。Mashableが報じたHLEの数値では、ツールなしではClaude Opus 4.7が46.9％、GPT-5.4 Proが42.7％でした。一方、ツールありではGPT-5.4 Proが58.7％、Claude Opus 4.7が54.7％です。これはGPT-5.5のスコアではありませんが、with toolsとwithout toolsを同じ表で混ぜる危うさをよく示しています。
第三に、バージョンやeffort設定、コスト設定も効きます。DeepSeek V4にはV4-ProとV4-Flashがあり、Yahoo FinanceはV4-Flashをより効率的で経済的な選択肢だと報じています。この記事で詳細な数値を使っているのは主にDeepSeek-V4-Proです。 またArtificial AnalysisはGPT-5.5を複数のeffort variantに分けており、GPT-5.5 xhighは同社Indexの実行コストが前世代より約20％高く、Claude Opus 4.7 maxより約30％低いとしています。
第三者評価では、Artificial AnalysisがGPT-5.5を新しいleading AI modelと位置づけ、OpenAIが同社の5つのheadline evaluationで首位、3項目でGemini 3.1 Pro Previewに次ぐ2位だったとしています。同記事は、GPT-5.5 xhighが同社Indexを実行する際、前世代より約40％少ないoutput tokensを使ったとも述べています。
Claude Opus 4.7は、公式情報で視覚とUI操作への言及が最も具体的です。AnthropicのAPIドキュメントは、この変更によりvision-heavy workloadsで性能向上が見込め、特にcomputer use、screenshot、artifact、document understandingのワークフローで重要だと説明しています。さらに、座標が実ピクセルと1:1で対応するため、画像への座標マッピングでscale factor計算が不要になるとも述べています。
Anthropicのローンチページでは、XBOWの視覚ベンチマークとしてClaude Opus 4.7が98.5％、Opus 4.6が54.5％だったという結果も紹介されています。 そのため、スクリーンショット理解、文書レイアウト解析、デスクトップUI操作、computer-use agentでは、4モデルの中でもClaude Opus 4.7の根拠が最も直接的です。
コーディング系では、ある整理記事がAWSの引用として、Claude Opus 4.7のSWE-Bench Proを64.3％、SWE-Bench Verifiedを87.6％、Terminal-Bench 2.0を69.4％としています。 引用可能なSWE-Bench ProとVerified / Resolvedの対照ではClaudeが上位に見えますが、これは直接の公式ベンチマーク表より一段弱いソースです。本番採用前には、自社リポジトリや自社の失敗事例で再評価するべきです。
Kimi K2.6は、Cloudflare上で使う場合に特に候補に入ります。Cloudflareのchangelogによると、Moonshot AI Kimi K2.6は2026年4月20日にWorkers AIで利用可能になり、model IDは@cf/moonshotai/kimi-k2.6です。Cloudflareは、Moonshot AIとの提携によるDay 0 supportだと説明しています。
