GPT-5.5、Claude Opus 4.7、DeepSeek V4、Kimi K2.6を比較：ベンチマーク・料金・使いどころ

総合指標ではGPT-5.5が一歩前に出る

入手できる出典の中で、最も分かりやすい総合指標はArtificial AnalysisのIntelligence Indexです。同リストでは、GPT-5.5 xhighが60で1位、GPT-5.5 highが59で2位、Claude Opus 4.7 Adaptive Reasoning Max Effortが57とされています。

Kimi K2.6は、利用できる複合指標ではこのGPT-5.5／Claude上位帯より少し下に見えます。OpenRouterはKimi K2.6についてIntelligence 53.9、Coding 47.1、Agentic 66.0を掲載し、LLMBaseのDeepSeek V4 Flash High対Kimi K2.6比較でもKimiはIntelligence 53.9、Coding 47.1です。 同じLLMBase比較ではDeepSeek V4 Flash HighがIntelligence 44.9、Coding 39.8とされていますが、これはDeepSeek V4 ProやPro-MaxではなくFlash系の値です。

ただし、この総合指標だけで4モデル全体の完全な序列を作るのは早計です。今回の出典には、GPT-5.5、Claude Opus 4.7、DeepSeek V4 Pro-Max、Kimi K2.6を同じ条件で横一列に並べた完全な総合ランキングはありません。

共通ベンチマークではClaudeとGPT-5.5が勝ち分ける

4モデルを実務目線で比べるなら、VentureBeatが掲載した共通ベンチマーク表が特に参考になります。ここではDeepSeek-V4-Pro-Max、GPT-5.5、表にある場合のGPT-5.5 Pro、Claude Opus 4.7が同じ行に並んでいます。

この表は、どれか1つのモデルが全勝しているわけではありません。Claude Opus 4.7は、GPQA Diamond、HLE no-tools、SWE-Bench Pro、MCP Atlasで強い根拠を持ちます。 一方、GPT-5.5はベースモデルでTerminal-Bench 2.0とBrowseCompが強く、GPT-5.5 Proが示されている行ではHLE with toolsとBrowseCompでさらに上に出ています。

DeepSeek-V4-Pro-Maxは複数行で健闘していますが、このVentureBeat表ではGPT-5.5またはClaude Opus 4.7の最高値を上回る行はありません。最も近いのはBrowseCompで、DeepSeek-V4-Pro-Maxが83.4%、GPT-5.5が84.4%、Claude Opus 4.7が79.3%です。

コーディング性能は、どの種類の開発タスクかで見方が変わる

リポジトリ修正や複数ファイルをまたぐソフトウェア工学タスクを見るなら、VentureBeatの共通表ではClaude Opus 4.7がSWE-Bench Proで64.3%を記録し、GPT-5.5の58.6%、DeepSeek-V4-Pro-Maxの55.4%を上回っています。

一方で、公開されているコーディング指標の量と幅という意味ではDeepSeek V4 Proが目立ちます。Together AIはDeepSeek V4 Proについて、LiveCodeBench 93.5%、Codeforces 3206、SWE-Bench Verified 80.6%、SWE-Bench Multilingual 76.2%を掲載しています。 NVIDIAのモデルカードも、DeepSeek V4 FlashとV4 Proの各バリアントをGPQA Diamond、HLE、LiveCodeBench、Codeforcesなどで分けて示しており、V4-Pro MaxはLiveCodeBench 93.5、Codeforces 3206とされています。

Kimi K2.6にも、コーディング用途で無視できない材料があります。Lorkaの表では、Kimi K2.6はSWE-Bench Pro 58.6%、HLE-Full with tools 54.0%、GPQA-Diamond 90.5%、MMMU-Pro 79.4%です。ただし、この表の比較相手はGPT-5.4、Claude Opus 4.6、Gemini 3.1 Proです。 VerdentはKimi K2.6について、SWE-Bench Verified 80.2%、Terminal-Bench 2.0 66.7%、HLE with tools 54.0%、LiveCodeBench v6 89.6%を掲載し、同時にOpus 4.7がSWE-Bench Verifiedで87.6%をリードすると述べています。

つまり、Kimi K2.6はコーディングやエージェント型ワークフローで試す価値があります。ただし、今回の証拠だけでGPT-5.5やClaude Opus 4.7を総合的に上回るとまでは言えません。

料金ではDeepSeek V4が最も分かりやすい

APIコストが重要なら、DeepSeek V4の優位はかなり明確です。Mashableの比較では、DeepSeek V4は100万入力トークンあたり$1.74、100万出力トークンあたり$3.48です。これに対し、GPT-5.5は$5/$30、Claude Opus 4.7は$5/$25とされています。

注意したいのは、同じモデル名でもエンドポイントごとに上限が異なることです。MashableはDeepSeek V4、GPT-5.5、Claude Opus 4.7を100万コンテキストウィンドウとして比較していますが、OpenRouterのDeepSeek V4 Pro掲載では最大トークンが256K、最大出力が66Kと示されています。 本番導入では、モデル名だけでなく、プロバイダー、バリアント、推論モード、出力上限を必ず確認する必要があります。

モデル別のおすすめ用途

GPT-5.5：総合ランキングを重視するなら第一候補

GPT-5.5は、今回の出典にある総合指標を最重視する場合の最も堅い選択です。Artificial AnalysisはGPT-5.5 xhighを60、GPT-5.5 highを59としており、提示された範囲では上位2枠を占めています。

また、VentureBeatの共通表では、ベースのGPT-5.5がTerminal-Bench 2.0で82.7%、BrowseCompで84.4%を記録しています。GPT-5.5 Proが示されているBrowseCompでは90.1%です。

Claude Opus 4.7：難問推論とSWE系タスクで強い

Claude Opus 4.7は、総合ランキングではGPT-5.5に近い位置にあります。Artificial AnalysisではAdaptive Reasoning Max Effort設定のIntelligence Indexが57です。 VentureBeatの共通表では、GPQA Diamond、HLE no-tools、SWE-Bench Pro、MCP AtlasでGPT-5.5とDeepSeek-V4-Pro-Maxを上回っています。

Anthropicの発表資料にも補足材料があります。同社は内部のresearch-agentベンチマークで、Claude Opus 4.7が6モジュール全体で0.715の同率トップスコアを出し、General FinanceではOpus 4.6の0.767に対して0.813だったとしています。 ただし、これはベンダー内部の結果なので、独立した横比較と同じ重みで読むべきではありません。

DeepSeek V4：価格性能比を重視するなら最有力

DeepSeek V4の最大の魅力は価格です。Mashableの比較では、DeepSeek V4は100万入力トークンあたり$1.74、100万出力トークンあたり$3.48で、GPT-5.5の$5/$30、Claude Opus 4.7の$5/$25を大きく下回ります。

DeepSeek V4 Proはコーディング指標も豊富です。Together AIはLiveCodeBench 93.5%、Codeforces 3206、SWE-Bench Verified 80.6%、SWE-Bench Multilingual 76.2%を掲載しています。 ただし、VentureBeatの共通表ではDeepSeek-V4-Pro-Maxは複数行で健闘しながらも、GPT-5.5またはClaude Opus 4.7の最高値を上回る行はありません。

Kimi K2.6：コーディングとエージェント用途で試す価値はある

Kimi K2.6は、4モデルの直接ランキングでは扱いが難しいモデルです。Kimiに焦点を当てた主なベンチマーク表は、GPT-5.5やClaude Opus 4.7ではなく、GPT-5.4やClaude Opus 4.6との比較が中心だからです。

それでも、材料が弱いわけではありません。OpenRouterはKimi K2.6をIntelligence 53.9、Coding 47.1、Agentic 66.0とし、VerdentはSWE-Bench Verified 80.2%、LiveCodeBench v6 89.6%を掲載しています。

実務上の結論は、Kimi K2.6が見劣りするというより、直接証拠がまだ薄いということです。料金、導入経路、エージェント挙動が自社のスタックに合うなら評価対象に入れるべきですが、今回の出典だけでGPT-5.5やClaude Opus 4.7に対する総合勝者とは言えません。

選ぶ前に見るべき注意点

• バリアント名が非常に重要です。 DeepSeek V4は、出典内でV4、V4 Flash、V4 Pro、DeepSeek-V4-Pro-Maxとして登場し、料金、上限、ベンチマーク、推論設定がそれぞれ異なります。
• Kimi K2.6の比較は直接性が弱めです。 入手できるKimi K2.6の強い表は、GPT-5.5やClaude Opus 4.7ではなくGPT-5.4やClaude Opus 4.6との比較が中心です。
• Humanity’s Last Exam no-toolsの数値には食い違いがあります。 LLM StatsとVentureBeatはGPT-5.5を41.4%、Claude Opus 4.7を46.9%としていますが、MashableのGPT対Claude記事ではGPT-5.5が40.6%、Opus 4.7が31.2%とされています。
• 内部ベンチマークと独立リーダーボードは分けて読むべきです。 AnthropicのClaude Opus 4.7発表は内部research-agentベンチマークの改善を示していますが、公開の横比較とは性質が異なります。
• 料金とコンテキスト長はプロバイダー依存です。 同じモデルファミリーでも、エンドポイントによってコンテキストウィンドウ、最大出力、料金が変わることがあります。
• 日本語業務で使うなら、自社データでの検証は必須です。 今回の出典群は日本語タスクをそろえた横比較ではありません。日本語の社内文書、コードコメント、問い合わせ対応、法律・金融文書などで使う場合は、実際のプロンプトと評価基準で小さくテストしてから選ぶのが安全です。

最終判断

総合指標を最優先するならGPT-5.5が最も選びやすいモデルです。 難問推論やソフトウェア工学タスクを重視するならClaude Opus 4.7が強く、GPQA Diamond、HLE no-tools、SWE-Bench Pro、MCP Atlasで優位な行があります。 APIコストと価格性能比を重視するならDeepSeek V4が有力で、特に正しいV4バリアントを選べる場合は魅力が大きくなります。 Kimi K2.6はコーディングとエージェント用途の候補として試す価値がありますが、今回の直接証拠だけでGPT-5.5やClaude Opus 4.7を上回る総合勝者とは言い切れません。