GPT-5.5 vs Claude Opus 4.7 vs Kimi K2.6 vs DeepSeek V4：ベンチマークでどれが強い？

公開済みの数値を見る限り、この比較は「1つの総合王者を決めるレース」ではありません。もっとも横並びに近い表はGPT-5.5、GPT-5.5 Pro、Claude Opus 4.7、DeepSeek-V4-Pro-Maxを対象にしています。一方、Kimi K2.6はHugging Faceのモデルカードとevalファイルから補う形になるため、同じ条件の直接比較としては読めません 。

もう一つ大事なのは、DeepSeek V4の表記です。共通表に出てくるのはDeepSeek-V4-Pro-Maxですが、別ソースのSWE-Bench Verifiedの数値はDeepSeek V4-Proを指しています 。つまり、「DeepSeek V4は常にこの1つの数値」と見るのではなく、V4系のどのバリアントかを分けて読む必要があります。

用途別に最初に試すなら

• ツールなしの難しいreasoning: まずClaude Opus 4.7。共通表ではGPQA DiamondとHumanity’s Last Exam（HLE）ツールなしで首位です 。
• ターミナル操作を含むagenticタスク: GPT-5.5が有力です。Terminal-Bench 2.0で82.7％、Claude Opus 4.7は69.4％、DeepSeek-V4-Pro-Maxは67.9％でした 。
• ツール利用やブラウジング込みの推論: GPT-5.5 Proが強い領域です。HLEツールありで57.2％、BrowseCompで90.1％を示しています 。
• codingと自前運用の検証: Kimi K2.6は別枠で確認したい候補です。モデルカードではSWE-Bench Verified 80.2、SWE-Bench Pro 58.6、Terminal-Bench 2.0 66.7が示されています 。また、重みがHugging Faceで利用可能で、vLLM、SGLang、KTransformersで実行できるとされています 。
• コストを強く意識する用途: DeepSeek V4は共通表では首位ではありませんが、API価格は100万inputトークンあたり1.74ドル、100万outputトークンあたり3.48ドルとされ、GPT-5.5の5ドル／30ドル、Claude Opus 4.7の5ドル／25ドルより低い水準です 。

ベンチマーク結果の早見表

ベンチマーク	GPT-5.5	GPT-5.5 Pro	Claude Opus 4.7	DeepSeek V4	Kimi K2.6	利用可能なデータでの首位
GPQA Diamond	93.6％	未掲載	94.2％	90.1％（DeepSeek-V4-Pro-Max）	未掲載	Claude Opus 4.7
Humanity’s Last Exam、ツールなし	41.4％	43.1％	46.9％	37.7％（DeepSeek-V4-Pro-Max）	未掲載	Claude Opus 4.7
Humanity’s Last Exam、ツールあり	52.2％	57.2％	54.7％	48.2％（DeepSeek-V4-Pro-Max）	未掲載	GPT-5.5 Pro
Terminal-Bench 2.0	82.7％	未掲載	69.4％	67.9％（DeepSeek-V4-Pro-Max）	66.7	GPT-5.5
SWE-Bench Pro / SWE Pro	58.6％	未掲載	64.3％	55.4％（DeepSeek-V4-Pro-Max）	58.6	Claude Opus 4.7
BrowseComp	84.4％	90.1％	79.3％	83.4％（DeepSeek-V4-Pro-Max）	未掲載	GPT-5.5 Pro
MCP Atlas / MCPAtlas Public	75.3％	未掲載	79.1％	73.6％（DeepSeek-V4-Pro-Max）	未掲載	Claude Opus 4.7
SWE-Bench Verified	未掲載	未掲載	87.6％（別比較）	80.6％（DeepSeek V4-Pro。Pro-Maxではない）	80.2	全モデル共通の行はなし

「未掲載」は、該当ソースに数値が示されていないという意味です。モデルのスコアがゼロだった、という意味ではありません。

Reasoning：ツールなしはClaude、ツール込みはGPT-5.5 Pro

GPQA DiamondではClaude Opus 4.7が94.2％、GPT-5.5が93.6％、DeepSeek-V4-Pro-Maxが90.1％です。差は大きくありませんが、首位はClaude Opus 4.7です 。

Humanity’s Last Examのツールなしでも、Claude Opus 4.7が46.9％で先行します。GPT-5.5は41.4％、GPT-5.5 Proは43.1％、DeepSeek-V4-Pro-Maxは37.7％でした 。

一方、HLEでツール利用が許可されると並びが変わります。GPT-5.5 Proは57.2％で、Claude Opus 4.7の54.7％、GPT-5.5の52.2％、DeepSeek-V4-Pro-Maxの48.2％を上回ります 。したがって、素のreasoningではClaude、ツール拡張込みのreasoningではGPT-5.5 Pro、という見方がもっとも正確です 。

Codingとagentic系：Terminal-BenchではGPT-5.5の差が大きい

この比較でGPT-5.5の強さが最もはっきり出るのはTerminal-Bench 2.0です。GPT-5.5は82.7％で、Claude Opus 4.7の69.4％、DeepSeek-V4-Pro-Maxの67.9％を大きく上回ります 。

Kimi K2.6については、モデルカードでTerminal-Bench 2.0が66.7と示されています。別のLLM StatsリーダーボードでもKimi K2.6は0.667、Claude Opus 4.7は0.694とされています 。この範囲ではKimiはClaudeやDeepSeekに近い位置ですが、共通表のGPT-5.5とは明確な差があります 。

SWE-Bench Pro / SWE Proでは構図が変わります。Claude Opus 4.7が64.3％で首位、GPT-5.5が58.6％、DeepSeek-V4-Pro-Maxが55.4％です 。Kimi K2.6もHugging FaceのモデルカードではSWE-Bench Pro 58.6とされていますが、これはGPT-5.5、Claude Opus 4.7、DeepSeek-V4-Pro-Maxと同じ一斉比較の行ではありません 。

SWE-Bench Verifiedについては、4モデルを単純な総合ランキングにしない方が安全です。Kimi K2.6にはモデルカードとevalファイルで80.2という値があります 。別ソースではClaude Opus 4.7が87.6％、DeepSeek V4-Proが80.6％とされていますが、GPT-5.5を含む全モデル共通の行ではなく、DeepSeek側もV4-Pro-MaxではなくV4-Proです 。

モデル別の見どころ

GPT-5.5 / GPT-5.5 Pro

GPT-5.5はTerminal-Bench 2.0で82.7％を示し、共通表のこの行ではもっとも強い結果です 。ターミナル上で複数ステップを進めるagenticな作業を重視するなら、最初に試す候補になりやすいモデルです。

GPT-5.5 Proはすべての行に数値があるわけではありません。ただし、掲載されている行では目立ちます。HLEツールありで57.2％、BrowseCompで90.1％を示し、いずれも首位です 。外部ツール、ブラウジング、複数アクションを前提にした推論では、GPT-5.5 Proを優先的に評価する価値があります 。

Claude Opus 4.7

Claude Opus 4.7は、共通表の複数行で首位です。GPQA Diamondで94.2％、HLEツールなしで46.9％、SWE-Bench Pro / SWE Proで64.3％、MCP Atlas / MCPAtlas Publicで79.1％を示しています 。

一方で、Terminal-Bench 2.0ではGPT-5.5に、HLEツールありとBrowseCompではGPT-5.5 Proに譲ります 。ツールを使わない高度なreasoningや、SWE-Bench Proに近いcodingタスクでは有力候補ですが、すべての領域で一強というわけではありません 。

Kimi K2.6

Kimi K2.6は、今回の4モデルを同じ条件で走らせた共通表には入っていません。そのため、GPT-5.5、Claude Opus 4.7、DeepSeek-V4-Pro-Maxと厳密に横並びで順位づけするのは避けるべきです 。

それでもcoding系の候補としては見逃せません。Hugging Faceのモデルカードとevalファイルでは、SWE-Bench Verified 80.2、SWE-Bench Pro 58.6、SWE-Bench Multilingual 76.7、Terminal-Bench 2.0 66.7、OSWorld-Verified 73.1が示されています 。

運用面では、重みがHugging Faceで利用可能で、vLLM、SGLang、KTransformersで実行できるとされている点も特徴です 。これはKimi K2.6を全体のベンチマーク勝者にするものではありませんが、自前環境での検証やself-hosted構成を考えるチームにとって、別枠で評価する理由になります 。

DeepSeek V4

共通表で使われているのはDeepSeek-V4-Pro-Maxです 。この表の範囲では、DeepSeek-V4-Pro-Maxは首位を取っていません。数値はGPQA Diamond 90.1％、HLEツールなし37.7％、HLEツールあり48.2％、Terminal-Bench 2.0 67.9％、SWE-Bench Pro / SWE Pro 55.4％、BrowseComp 83.4％、MCP Atlas / MCPAtlas Public 73.6％です 。

ただし、DeepSeek V4の強みは「最高スコア」よりも価格面にあります。MashableとDataCampは、DeepSeek V4のAPI価格を100万inputトークンあたり1.74ドル、100万outputトークンあたり3.48ドルとし、GPT-5.5は5ドル／30ドル、Claude Opus 4.7は5ドル／25ドルとしています 。大量処理や費用制約の強い用途では、DeepSeek V4を独自評価に入れる価値があります。ただし、この共通表だけでベンチマークリーダーと呼ぶのは正確ではありません 。

比較するときの注意点

1. 4モデルすべてを同一条件で測った完全な表ではありません。 共通表はGPT-5.5、GPT-5.5 Pro、Claude Opus 4.7、DeepSeek-V4-Pro-Maxを扱い、Kimi K2.6はHugging Faceのモデルカードとevalファイルから補っています 。
2. DeepSeek V4はバリアント名を確認する必要があります。 共通表はDeepSeek-V4-Pro-Max、別ソースのSWE-Bench VerifiedはDeepSeek V4-Proです 。
3. GPT-5.5 Proは掲載されていない行があります。 Proの数値がないベンチマークでは、GPT-5.5 Proの順位を推測で埋めるべきではありません 。
4. Kimi K2.6は自分たちの評価セットで確認したいモデルです。 公開されているHugging Faceの数値は有用ですが、共通表と同じ直接比較ではありません 。

結論

共通表だけを見ると、Claude Opus 4.7はGPQA Diamond、HLEツールなし、SWE-Bench Pro、MCP Atlasで強く、GPT-5.5はTerminal-Bench 2.0で大きく先行します。GPT-5.5 ProはHLEツールありとBrowseCompで首位です 。

Kimi K2.6は同じ直接比較には入っていないものの、coding系の数値と重みの利用可能性から、別枠で検証する価値があります 。DeepSeek V4はこの表ではベンチマーク首位ではありませんが、公開API価格の低さから、コスト重視のシナリオでは十分に評価対象になります 。最終的には、ベンチマークの総合点ではなく、ツール利用の有無、coding比率、運用形態、トークン単価を合わせて選ぶのが現実的です。