GPT-5.5·Claude Opus 4.7·DeepSeek V4·Kimi K2.6, 무엇부터 테스트할까

벤치마크와 가격: 한눈에 보기

DeepSeek 쪽은 표기부터 조심해야 한다. 가격 자료에서는 DeepSeek V4 또는 DeepSeek V4 Pro로, 일부 벤치마크에서는 DeepSeek-V4-Pro-Max로 나타난다. 아래 표는 출처에 나온 이름을 그대로 살려, 서로 다른 설정을 같은 모델 구성으로 섞어 보지 않도록 했다.

1. 종합 지표: 보이는 Intelligence Index에서는 GPT-5.5가 앞선다

Artificial Analysis의 공개 요약은 Intelligence Index 상위권을 GPT-5.5 xhigh 60, GPT-5.5 high 59, Claude Opus 4.7 Adaptive Reasoning, Max Effort 57로 제시한다. 이어 Gemini 3.1 Pro Preview와 GPT-5.4 xhigh도 57점으로 보인다.

이 수치가 말해주는 것은 제한적이다. 해당 요약에서 보이는 Intelligence Index만 놓고 보면 GPT-5.5가 Claude Opus 4.7보다 앞선다. 하지만 같은 요약에 DeepSeek V4와 Kimi K2.6의 동일 조건 점수가 보이지 않기 때문에, 이 자료만으로 네 모델 전체의 종합 순위를 확정할 수는 없다.

2. 웹 브라우징과 터미널: 도구형 에이전트는 GPT-5.5가 강한 신호

BrowseComp는 에이전트형 AI의 웹 브라우징 능력, 특히 컨테이너화된 정보 탐색 능력을 보는 벤치마크로 소개된다. VentureBeat 요약에서 GPT-5.5는 84.4%, DeepSeek-V4-Pro-Max는 83.4%, Claude Opus 4.7은 79.3%를 기록했다. 이 지표만 보면 DeepSeek-V4-Pro-Max는 GPT-5.5에 매우 가깝고, Claude Opus 4.7은 다소 뒤처진다.

Terminal-Bench 2.0에서는 차이가 더 벌어진다. VentureBeat는 GPT-5.5 82.7%, Claude Opus 4.7 69.4%, DeepSeek 67.9%를 제시했다. Yahoo / Investing.com도 Terminal-Bench 2.0이 명령줄 워크플로를 테스트한다고 설명하며 GPT-5.5의 82.7% 수치를 전했다.

Kimi K2.6은 Terminal-Bench 2.0에서 66.70%라는 공개 수치가 보이지만, 이 자료는 Kimi K2.6을 Claude Opus 4.6 및 GPT-5.4와 비교한 별도 표다. GPT-5.5, Claude Opus 4.7, DeepSeek V4와 한자리에서 비교한 수치로 보기는 어렵다.

3. 코딩과 SWE: Claude의 SWE-Bench Pro 수치가 높지만, 도구 워크플로는 따로 봐야 한다

DataCamp의 DeepSeek V4 비교표는 SWE-Bench Pro에서 DeepSeek V4 Pro 55.4%, GPT-5.5 58.6%, Claude Opus 4.7 64.3%를 제시한다. Yahoo / Investing.com도 GPT-5.5가 SWE-Bench Pro에서 58.6%를 기록했다고 전하며, 이 테스트가 GitHub 이슈 해결 능력을 평가한다고 설명했다.

Kimi K2.6의 코딩 관련 수치도 별도로 볼 만하다. Verdent 요약은 Kimi K2.6의 SWE-Bench Pro 58.60%, SWE-Bench Verified 80.20%, LiveCodeBench v6 89.60%를 제시한다. 다만 같은 요약은 Kimi K2.6 수치가 2026년 4월 20일 Moonshot AI 공식 모델 카드에서 왔고, SWE-Bench Pro에는 Moonshot in-house harness가 쓰였다고 덧붙인다.

결국 대형 저장소 수정, 코드 리뷰, 장시간 코딩 에이전트 작업을 고를 때는 SWE 점수 하나만 보면 안 된다. 공개된 SWE-Bench Pro 비교에서는 Claude Opus 4.7이 가장 높다. 반면 GPT-5.5는 Terminal-Bench 2.0 같은 장시간 도구 사용 과제에서 앞서고, Kimi K2.6은 자체 저장소와 도구 체인에서 별도 실험이 필요하다.

4. 고난도 추론: Claude Opus 4.7의 우위가 더 뚜렷하다

VentureBeat 요약에 따르면 GPQA Diamond에서는 Claude Opus 4.7이 94.2%, GPT-5.5가 93.6%, DeepSeek-V4-Pro-Max가 90.1%다. Humanity’s Last Exam no-tools에서는 Claude Opus 4.7이 46.9%, GPT-5.5가 41.4%, GPT-5.5 Pro가 43.1%, DeepSeek-V4-Pro-Max가 37.7%로 제시됐다.

LLM Stats의 결론도 비슷하다. 양측 공급자가 모두 보고한 10개 벤치마크에서 Claude Opus 4.7은 6개, GPT-5.5는 4개에서 앞섰다. Claude의 강점은 reasoning-heavy와 review-grade 테스트에, GPT-5.5의 강점은 long-running tool-use 테스트에 모인다는 분석이다.

5. 가격과 컨텍스트: 비용 민감 API는 DeepSeek V4부터 볼 만하다

Mashable 요약은 세 모델의 API 가격을 같은 단위로 제시한다. DeepSeek V4는 100만 입력 토큰당 1.74달러, 100만 출력 토큰당 3.48달러이며 100만 컨텍스트 윈도로 표시된다. GPT-5.5는 입력 5달러, 출력 30달러, Claude Opus 4.7은 입력 5달러, 출력 25달러이며 둘 다 100만 컨텍스트 윈도로 제시된다.

DataCamp의 DeepSeek V4 비교 요약도 같은 가격 구간을 사용하며, DeepSeek V4 Pro, GPT-5.5, Claude Opus 4.7의 컨텍스트 윈도를 약 100만 토큰으로 정리한다. 이 가격표만 보면 DeepSeek V4는 GPT-5.5와 Claude Opus 4.7보다 비용 우위가 분명하다. 여기에 DeepSeek-V4-Pro-Max가 BrowseComp에서 83.4%로 GPT-5.5의 84.4%에 근접했다는 점까지 고려하면, 고트래픽 API 라우팅의 1차 후보로 넣어볼 이유가 있다.

Kimi K2.6의 동일 조건 API 가격은 제공 자료에서 확인되지 않는다. 다만 DocsBot 요약은 Kimi K2.6을 256K 컨텍스트를 가진 오픈소스 네이티브 멀티모달 에이전트 모델로 설명하며, long-horizon coding, coding-driven design, autonomous execution, swarm-based orchestration을 겨냥한 모델로 소개한다.

권장 실무 방식: 모델 하나를 고르기보다 라우팅을 먼저 만든다

대부분의 제품팀에는 ‘모델 하나만 고르기’보다 분기 라우팅과 회귀 테스트가 더 현실적이다.

1. GPT-5.5를 고급 에이전트 기준점으로 둔다. BrowseComp와 Terminal-Bench 2.0에서 강한 수치를 보였고, OpenAI 공식 자료도 GDPval 84.9%, OSWorld-Verified 78.7%, Tau2-bench Telecom 98.0% 같은 지식 작업·도구 사용 관련 벤치마크를 제시한다.
2. Claude Opus 4.7은 추론, 검토, 낮은 오류 허용도 과제에 먼저 투입해 본다. GPQA Diamond, Humanity’s Last Exam no-tools, LLM Stats가 분류한 reasoning-heavy / review-grade 테스트에서 상대적으로 강하다.
3. DeepSeek V4는 고호출량 API 비용을 낮추는 후보로 본다. 공개 토큰 가격이 GPT-5.5와 Claude Opus 4.7보다 낮고, BrowseComp에서는 GPT-5.5에 근접한 수치를 보인다.
4. Kimi K2.6은 오픈소스 코딩 에이전트 실험군에 넣는다. 코딩·에이전트 관련 공개 수치가 있지만, GPT-5.5·Claude Opus 4.7·DeepSeek V4와 완전한 동시 비교가 부족하므로 자체 저장소, 배포 환경, 도구 권한으로 검증하는 편이 안전하다.

이번 비교에서 조심할 점

• 모든 모델이 같은 자리에서 같은 설정으로 평가된 것은 아니다. GPT-5.5, Claude Opus 4.7, DeepSeek-V4-Pro-Max는 VentureBeat 요약에서 일부 같은 표에 보이지만, Kimi K2.6은 주로 Claude Opus 4.6 및 GPT-5.4와의 별도 비교에서 수치가 확인된다.
• 모델 설정 자체가 다를 수 있다. Artificial Analysis 요약의 GPT-5.5는 xhigh / high로 나뉘고, Claude Opus 4.7은 Adaptive Reasoning, Max Effort로 표기된다. VentureBeat는 DeepSeek-V4-Pro-Max를 사용한다. 일반 API 기본 모드와 같다고 단정하기 어렵다.
• 자체 보고 점수와 제3자 점수는 같은 무게로 보면 안 된다. LLM Stats는 GPT-5.5와 Claude Opus 4.7의 일부 점수가 각 공급사의 고추론 tier에서 자체 보고된 것이며, 방법론이 완전히 일치하지 않는다고 경고한다.
• 공개 벤치마크는 테스트 우선순위를 정하는 자료일 뿐이다. BrowseComp는 웹 브라우징 에이전트, Terminal-Bench 2.0은 명령줄 워크플로, SWE-Bench Pro는 GitHub 이슈 해결에 가깝다. 실제 제품의 성공 기준을 대신할 수는 없다.

결론

공개 자료만으로 1차 선별을 한다면, GPT-5.5는 도구 사용 에이전트와 보이는 종합 지표에서 가장 강한 후보이고, Claude Opus 4.7은 추론과 review-grade 작업에서 가장 강한 후보 중 하나다. DeepSeek V4는 가격 매력이 가장 분명한 고성비 후보이며, Kimi K2.6은 오픈소스·코딩 에이전트 실험 풀에 넣을 만하지만 아직 네 모델을 공정하게 한 줄 총순위로 세울 만큼의 동일 조건 증거는 부족하다.

구매나 운영 반영 전에는 같은 실제 과제를 같은 프롬프트, 같은 도구 권한, 같은 컨텍스트 길이, 같은 성공 기준으로 돌려보는 회귀 테스트가 필요하다. 공개 벤치마크의 역할은 ‘먼저 누구를 테스트할지’를 정하는 데 있다. 최종 선택은 제품 시나리오, 오류 비용, 지연시간, 토큰 비용을 함께 봐야 한다.