GPT-5.5 vs Claude Opus 4.7 vs DeepSeek V4 vs Kimi K2.6: Benchmark Winners by CategoryAI-generated editorial illustration for comparing frontier model benchmark winners by category.
AI プロンプト
Create a landscape editorial hero image for this Studio Global article: GPT-5.5 vs Claude Opus 4.7 vs DeepSeek V4 vs Kimi K2.6: Benchmark Winners by Category. Article summary: No single model wins across the available 2026 benchmark evidence: Claude Opus 4.7 leads GPQA Diamond at 94.2% and Humanity’s Last Exam without tools at 46.9%, GPT 5.5 leads Terminal Bench 2.0 at 82.7%, and GPT 5.5 Pr.... Topic tags: ai, llm benchmarks, openai, anthropic, deepseek. Reference image context from search candidates: Reference image 1: visual subject "Kimi K2.6 ties GPT-5.5 on SWE-bench Pro at 5–6x lower cost — with agent swarms, 13-hour autonomous runs, and open weights. In practice it is the first open-source model that can su" source context "Kimi K2.6: The Complete Developer Guide (2026) - Codersera" Reference image 2: visual subject "# Kimi K2.6 vs DeepSeek V4 vs GPT-5.5 vs Claude Opus 4.7: Which S
別々のソースをまたぐ行は、特に慎重に読むべきです。Kimi K2.6のスコアは参考になりますが、GPT-5.5、Claude Opus 4.7、DeepSeek-V4-Pro-Maxと同じ評価環境で出た数値ほど強い比較材料ではありません。
GPT-5.5：端末、OS、数学、ツール利用で強い
GPT-5.5の最もはっきりした勝ち筋はTerminal-Bench 2.0です。82.7%というスコアは、Claude Opus 4.7の69.4%、DeepSeek-V4-Pro-Maxの67.9%を大きく上回ります。今回の引用データの中では、差が大きく、実務検証の優先度を上げやすい項目です。
OSWorld-VerifiedでもGPT-5.5は78.7%で、Claude Opus 4.7の78.0%を上回ります。ただし差は0.7ポイントで、方向感として読むのが妥当です。一方、FrontierMath Tiers 1–3ではGPT-5.5が51.7%、Claudeが43.8%で、差はより明確です。
ツールやブラウジングを使う場面では、GPT-5.5 Proの存在感が増します。Humanity’s Last ExamのツールありではGPT-5.5 Proが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。BrowseCompでもGPT-5.5 Proは90.1%で、GPT-5.5の84.4%、DeepSeek-V4-Pro-Maxの83.4%、Claude Opus 4.7の79.3%を上回ります。
ただし、GPT-5.5がすべての推論テストで勝つわけではありません。GPQA DiamondではClaude Opus 4.7が94.2%、GPT-5.5が93.6%で、Claudeが0.6ポイント上です。
別資料には、GPT-5.5単体の領域別スコアとしてHarvey BigLaw Bench 91.7%、社内投資銀行ベンチマーク88.5%、BixBench 80.5%などが報告されています。ただし、同じ抜粋にClaude Opus 4.7、DeepSeek V4、Kimi K2.6の同条件スコアが並んでいるわけではないため、4者比較の勝利とは見なせません。
Claude Opus 4.7：ツールなし推論と文書系で強い
Claude Opus 4.7は、主要共通表ではツールなしの推論が強いモデルです。GPQA Diamondで94.2%、Humanity’s Last Examのツールなしで46.9%と、いずれも首位です。SWE-Bench Pro / SWE Proでも64.3%、MCP Atlas / MCPAtlas Publicでも79.1%で、同じ表の中ではClaudeがトップです。
一方、端末操作系ではGPT-5.5に大きく差をつけられています。Terminal-Bench 2.0ではGPT-5.5が82.7%、Claude Opus 4.7が69.4%です。OSWorld-VerifiedとFrontierMath Tiers 1–3でも、引用データ上はGPT-5.5がClaudeを上回ります。
マルチモーダル、とくに文書解析のシグナルはClaudeが最も強く見えます。あるソースはClaude Opus 4.7がVision & Document Arenaで総合1位になり、Document ArenaでOpus 4.6から4ポイント改善し、図表、宿題、OCRのサブカテゴリでも勝利したと報告しています。ただし、そのソースにはGPT-5.5、DeepSeek V4、Kimi K2.6の同じ数値が並んでいないため、完全な4者マルチモーダル順位までは言えません。
主要共通表では、DeepSeek-V4-Pro-Maxは競争力がありますが、掲載行の首位には立っていません。GPQA Diamondは90.1%、Humanity’s Last Examのツールなしは37.7%、ツールありは48.2%、Terminal-Bench 2.0は67.9%、SWE-Bench Pro / SWE Proは55.4%、BrowseCompは83.4%、MCP Atlas / MCPAtlas Publicは73.6%です。
長文コンテキストの観点では、あるArtificial Analysis比較でDeepSeek V4 ProとClaude Opus 4.7のどちらも100万トークン、つまり1,000kトークンのコンテキストウィンドウとされています。ただし、これはその比較条件における設定の話であり、すべてのDeepSeekやClaudeのモードに広げられる主張ではありません。
Kimi K2.6：有望だが、4者横並びにはしにくい
Kimi K2.6は、この比較の中で最も順位を付けにくいモデルです。主な理由は、GPT-5.5、Claude Opus 4.7、DeepSeek-V4-Pro-Maxと並ぶ主要共通表に含まれていないことです。
Kimiに焦点を当てた比較では、K2.6はSWE-Bench Proで58.6%、SWE-Bench Verifiedで80.2%、Terminal-Bench 2.0で66.7%、Humanity’s Last Examのツールありで54.0%、LiveCodeBench v6で89.6%と報告されています。同ソースは、K2.6の数値がMoonshot AIの公式モデルカードに基づくものだとしていますが、比較対象は主にClaude Opus 4.6とGPT-5.4であり、今回の正確な4者構成とは異なります。
僅差は方向感として扱うべきです。Claude Opus 4.7のGPQA DiamondでのリードはGPT-5.5に対して0.6ポイント、GPT-5.5のOSWorld-VerifiedでのリードはClaudeに対して0.7ポイントです。一方、Terminal-Bench 2.0でのGPT-5.5のClaudeに対する13ポイント超の差や、FrontierMathでの7.9ポイント差は、より実務検証につなげやすい差です。
実務上の結論はシンプルです。GPT-5.5、Claude Opus 4.7、DeepSeek V4、Kimi K2.6の間に、すべての領域で勝つ単一モデルはありません。自社の仕事に近いベンチマークを選び、実際に使えるモデルだけを同条件で再テストするのが、最も失敗しにくい選び方です。
DeepSeek V4 Pro (Reasoning, Max Effort) vs Claude Opus 4.7 (Non-reasoning, High Effort): Model Comparison
Comments
0 comments