GPT-5.5, Claude Opus 4.7, Kimi K2.6, DeepSeek V4-Pro를 하나의 리그표에 올려놓고 1등을 고르는 방식은 지금 공개 자료만으로는 위험합니다. 출처가 다르고, 도구 사용 권한이 다르고, reasoning effort 설정도 다릅니다. 그래서 이 비교의 핵심은 종합 우승자가 아니라 업무별 shortlist입니다. 터미널·CLI workflow는 GPT-5.5, SWE-Bench와 비전·computer-use 업무는 Claude Opus 4.7, 지식·수학과 오픈 모델 노선은 DeepSeek V4-Pro, Cloudflare Workers AI 기반의 멀티모달 에이전트 workflow는 Kimi K2.6을 먼저 검토하는 쪽이 현실적입니다.^{[27][4][1][5][64][36]}

벤치마크 요약: 숫자는 출발점일 뿐

아래 표는 이번 자료에서 직접 인용 가능한 수치만 모은 것입니다. —는 같은 항목의 인용 가능한 점수가 없다는 뜻이지, 성능이 없다는 뜻은 아닙니다. 또한 모든 점수가 같은 공식 harness에서 나온 것은 아니므로, 초기 선별에는 유용하지만 절대 순위표로 쓰기에는 부족합니다.

평가·업무	GPT-5.5	Claude Opus 4.7	Kimi K2.6	DeepSeek V4-Pro	실무 해석
Terminal-Bench 2.0	82.7% [27]	69.4% [4]	66.7 [84]	67.9 [64]	공개 수치만 보면 command-line workflow에서는 GPT-5.5가 가장 두드러집니다.
SWE-Bench Pro	58.6% [27]	64.3% [4]	58.6 [84]	55.4 [64]	Claude가 인용 가능한 수치상 앞서지만, Claude 수치는 AWS를 인용한 2차 정리입니다.
SWE-Bench Verified / Resolved	—	87.6% [4]	80.2 [45]	80.6 [64]	Claude 수치가 가장 높지만 GPT-5.5의 같은 열 비교 수치가 없고, 출처별 명칭도 완전히 같지 않습니다.
Graphwalks 256k: BFS / parents	73.7 / 90.1 [21]	76.9 / 93.6 [21]	—	—	OpenAI 장문맥 표의 256k 두 항목에서는 Claude Opus 4.7이 GPT-5.5보다 높습니다.
Graphwalks 1M: BFS / parents	45.4 / 58.5 [21]	—	—	—	GPT-5.5의 1M 장문맥 성능을 보여주는 수치입니다. 같은 표의 1M 비교 열은 Opus 4.6으로 표시돼 Opus 4.7 판단에 쓰기 어렵습니다.[21]
지식·수학	—	—	—	GPQA Diamond 90.1, GSM8K 92.6, MMLU-Pro 87.5, HLE 37.7 [64]	이번 자료에서는 DeepSeek V4-Pro의 공개 모델 카드 수치가 가장 촘촘합니다.
비전·스크린샷·computer-use	—	vision-heavy workload 향상, 1:1 픽셀 좌표, XBOW visual-acuity 98.5% [1][5]	Cloudflare가 native multimodal agentic model로 설명하지만 같은 비전 벤치마크 수치는 없음 [36]	—	스크린샷 이해와 UI 조작 근거는 Claude Opus 4.7이 가장 직접적입니다.

왜 종합 순위를 바로 내기 어려운가

첫째, 출처의 층위가 다릅니다. GPT-5.5의 Terminal-Bench 2.0과 SWE-Bench Pro 수치는 OpenAI가 제공한 benchmark 결과를 미디어가 전한 것이고, Claude Opus 4.7의 SWE-Bench Pro·SWE-Bench Verified·Terminal-Bench 2.0 수치는 AWS를 인용한 2차 정리에 가깝습니다. Kimi K2.6과 DeepSeek V4-Pro의 일부 점수는 Hugging Face 모델 카드에 올라온 값입니다.^{[27][4][84][64]}

둘째, 도구 사용 권한이 순위를 바꿉니다. Mashable이 전한 HLE 수치에서 도구가 없는 조건의 Claude Opus 4.7은 46.9%, GPT-5.4 Pro는 42.7%였습니다. 반대로 도구가 있는 조건에서는 GPT-5.4 Pro가 58.7%, Claude Opus 4.7이 54.7%로 순서가 바뀝니다. 이 값은 GPT-5.5의 점수가 아니지만, with tools와 without tools 결과를 한 표에 섞으면 안 된다는 점을 잘 보여줍니다.^[6]

셋째, 버전과 비용 설정도 중요합니다. DeepSeek V4는 V4-Pro와 V4-Flash로 나뉘며, Yahoo Finance 보도는 V4-Flash를 더 효율적이고 경제적인 선택지로 소개했습니다. 이 글에서 인용하는 상세 점수는 주로 DeepSeek-V4-Pro에 해당합니다.^[57][64] 또 Artificial Analysis는 GPT-5.5를 여러 effort variant로 나눠 평가하면서, GPT-5.5 xhigh가 자사 Index 기준으로 이전 세대보다 약 20% 비싸지만 Claude Opus 4.7 max보다는 30% 저렴하다고 설명했습니다.^[24]

GPT-5.5: 터미널 workflow와 긴 컨텍스트가 강점

GPT-5.5의 가장 분명한 강점은 Terminal-Bench 2.0입니다. Yahoo Finance / Investing.com 보도에 따르면 OpenAI가 제공한 benchmark 결과에서 GPT-5.5는 command-line workflow를 평가하는 Terminal-Bench 2.0에서 82.7%를 기록했고, GitHub issue resolution을 평가하는 SWE-Bench Pro에서는 58.6%를 기록했습니다.^[27]

장문맥 쪽에서도 인용 가능한 수치가 있습니다. OpenAI의 long context 표에 따르면 GPT-5.5는 Graphwalks BFS에서 256k 73.7, 1M 45.4를 기록했고, Graphwalks parents에서는 256k 90.1, 1M 58.5를 기록했습니다. 같은 표에서 GPT-5.4의 Graphwalks BFS 1M은 9.4, GPT-5.5는 45.4로 제시됐습니다.^[21]

제3자 평가에서는 Artificial Analysis가 GPT-5.5를 새로운 leading AI model로 평가했습니다. 같은 글은 OpenAI가 headline evaluation 5개에서 앞섰고 3개에서는 Gemini 3.1 Pro Preview에 이어 2위였다고 설명했으며, GPT-5.5 xhigh가 자사 Index 실행 시 이전 세대보다 output token을 약 40% 적게 썼다고도 밝혔습니다.^[24]

먼저 시험해볼 만한 업무: CLI 자동화, terminal agent, 긴 컨텍스트 검색, output token 비용을 관리해야 하는 agentic coding workflow.^[27][21][24]

Claude Opus 4.7: 코딩 수치와 비전·computer-use 근거가 강하다

Claude Opus 4.7은 공식 문서에서 비전과 UI 조작 쪽 개선 근거가 가장 명확합니다. Anthropic API 문서는 이 변화가 vision-heavy workload의 성능 향상을 열어주며, 특히 computer use, screenshot, artifact, document understanding workflow에 중요하다고 설명합니다. 또한 모델 좌표가 실제 픽셀과 1:1로 대응해 scale-factor 계산이 필요 없다고 안내합니다.^[1]

Anthropic launch page는 XBOW의 visual-acuity benchmark를 인용해 Claude Opus 4.7이 98.5%, Opus 4.6이 54.5%였다고 소개했습니다.^[5] 따라서 스크린샷 이해, 문서 레이아웃 파악, 데스크톱 UI 조작, computer-use agent 같은 업무에서는 네 모델 중 Claude Opus 4.7의 공식 근거가 가장 단단합니다.^[1][5]

코딩 benchmark에서는 한 정리 글이 AWS를 인용해 Claude Opus 4.7의 SWE-Bench Pro 64.3%, SWE-Bench Verified 87.6%, Terminal-Bench 2.0 69.4%를 제시했습니다.^[4] 이 수치만 놓고 보면 Claude는 이 글에서 인용 가능한 SWE-Bench Pro와 Verified/Resolved 비교에서 앞섭니다. 다만 직접 공식 benchmark 표보다 출처 층위가 낮으므로, 실제 도입 전에는 자사 repository로 다시 검증하는 편이 안전합니다.

운영 관점의 주의점도 있습니다. Anthropic 문서는 고해상도 이미지가 더 많은 token을 사용하므로, 추가 이미지 디테일이 필요 없다면 Claude에 보내기 전에 이미지를 downsample해 token 사용 증가를 피하라고 권합니다.^[1]

먼저 시험해볼 만한 업무: GitHub issue repair, coding agent, screenshot·document understanding, computer-use agent, 픽셀 좌표가 정확해야 하는 UI 조작.^[1][4][5]

Kimi K2.6: Workers AI 위의 멀티모달 agent 후보

Cloudflare changelog에 따르면 Moonshot AI Kimi K2.6은 2026년 4월 20일 Workers AI에서 사용할 수 있게 됐고, 모델 ID는 @cf/moonshotai/kimi-k2.6입니다. Cloudflare는 이를 Moonshot AI와의 Day 0 support로 설명했습니다.^[36]

같은 자료는 Kimi K2.6을 native multimodal agentic model로 소개하며, long-horizon coding, coding-driven design, proactive autonomous execution, swarm-based task orchestration을 주요 역량으로 제시합니다. 또한 Mixture-of-Experts 구조를 사용하며 총 파라미터 1T, 토큰당 active 파라미터 32B라고 설명합니다.^[36]

공개 점수로는 Kimi K2.6의 Hugging Face 모델 카드가 Terminal-Bench 2.0 66.7, SWE-Bench Pro 58.6, SWE-Bench Multilingual 76.7을 제시합니다.^[84] MarkTechPost는 Kimi K2.6의 SWE-Bench Verified 점수를 80.2로 보도했습니다.^[45]

먼저 시험해볼 만한 업무: 이미 Cloudflare Workers AI를 쓰고 있거나, long-horizon coding, coding-driven design, multimodal agent workflow, multi-agent orchestration을 검토하는 팀.^[36][84]

DeepSeek V4-Pro: 지식·수학 수치와 오픈 모델 노선이 선명하다

DeepSeek V4는 자료상 V4-Pro와 V4-Flash로 나뉩니다. Yahoo Finance는 DeepSeek의 설명을 인용해 V4-Pro가 world knowledge benchmark에서 다른 open-source model을 크게 앞서며, 최상위 폐쇄형 모델인 Gemini-Pro-3.1에는 약간 뒤진다고 보도했습니다. 같은 보도에서 V4-Flash는 더 효율적이고 경제적인 선택지로 소개됐습니다.^[57]

DeepSeek-V4-Pro의 Hugging Face 모델 카드는 이번 비교에서 가장 완성도 높은 지식·수학·코딩·터미널 수치 묶음을 제공합니다. GPQA Diamond 90.1, GSM8K 92.6, HLE 37.7, MMLU-Pro 87.5, SWE-Bench Pro 55.4, SWE-Bench Verified/Resolved 80.6, TerminalBench 2.0 67.9가 제시돼 있습니다.^[64]

CNBC는 DeepSeek이 V4를 Claude Code와 OpenClaw 같은 agent tool에 맞춰 최적화했다고 보도했습니다. Counterpoint의 수석 AI 애널리스트 Wei Sun은 V4의 benchmark profile이 훨씬 낮은 비용으로 뛰어난 agent capability를 제공할 가능성을 시사한다고 평가했습니다.^[58]

먼저 시험해볼 만한 업무: 오픈소스·자체 운영 모델을 중시하거나, 지식·수학 benchmark, agent tooling 비용 효율, 다운로드 가능한 모델의 사내 평가를 원하는 팀.^[58][64]

업무별 shortlist

• Terminal automation / command-line agent: GPT-5.5부터 테스트. 인용 가능한 자료에서 GPT-5.5의 Terminal-Bench 2.0은 82.7%로, Claude Opus 4.7 69.4%, DeepSeek V4-Pro 67.9, Kimi K2.6 66.7보다 높습니다.^{[27][4][64][84]}
• Software engineering repair / SWE-Bench Pro형 업무: Claude Opus 4.7을 우선 보되, 반드시 자사 repo로 재검증. 인용 가능한 점수는 Claude Opus 4.7 64.3%, GPT-5.5 58.6%, Kimi K2.6 58.6, DeepSeek V4-Pro 55.4입니다. 다만 Claude 점수는 2차 정리 출처입니다.^{[4][27][84][64]}
• Screenshot, document understanding, computer-use: Claude Opus 4.7 우선. Anthropic 문서는 vision-heavy workflow, computer use, 1:1 pixel coordinates를 직접 언급하고, launch page는 XBOW 98.5% visual-acuity 결과를 인용합니다.^[1][5]
• Knowledge/math와 오픈 모델 노선: DeepSeek V4-Pro를 shortlist에 포함. Hugging Face 모델 카드가 GPQA Diamond, GSM8K, HLE, MMLU-Pro, SWE-Bench, TerminalBench 2.0 수치를 함께 제시합니다.^[64]
• Workers AI 기반 multimodal agentic workflow: Kimi K2.6을 검토. Cloudflare는 Kimi K2.6의 Workers AI Day 0 support를 제공하며, 이를 long-horizon coding과 swarm-based task orchestration을 위한 native multimodal agentic model로 설명합니다.^[36]

도입 전에는 같은 조건으로 다시 돌려야 한다

내부 의사결정에서 방어 가능한 결론을 내려면 같은 모델 버전 또는 API model ID, 같은 컨텍스트 길이, 같은 도구 권한, 같은 reasoning effort, 같은 temperature, 같은 token budget, 같은 scoring harness로 재평가해야 합니다. 특히 도구 권한은 섞으면 안 됩니다. HLE 보도에서 보듯 with tools와 without tools는 상대 순위를 바꿀 수 있습니다.^[6]

비용도 성능과 함께 봐야 합니다. Artificial Analysis는 GPT-5.5 xhigh가 자사 Index 기준으로 이전 세대보다 약 20% 비싸지만 Claude Opus 4.7 max보다 30% 저렴하고, output token은 이전 세대보다 약 40% 적게 쓴다고 설명했습니다.^[24] 반면 Anthropic 문서는 고해상도 이미지가 더 많은 token을 쓴다고 경고합니다.^[1] production agent에서는 단일 benchmark 점수만큼이나 속도, token 사용량, tool call 성공률, 오류 복구율이 중요합니다.

결론

현재 가장 신뢰할 만한 비교 방식은 단일 종합 순위가 아니라 업무별 선택입니다. Terminal-Bench 관점에서는 GPT-5.5, SWE-Bench와 비전·computer-use 관점에서는 Claude Opus 4.7, 지식·수학 모델 카드 관점에서는 DeepSeek V4-Pro, Workers AI 위의 멀티모달 에이전트 코딩 workflow에서는 Kimi K2.6을 우선 후보로 보는 것이 합리적입니다.^{[27][4][1][5][64][36]} 네 모델이 같은 harness, 같은 도구 설정, 같은 버전 조건에서 완전한 공통 점수를 갖추기 전까지는 진짜 종합 순위를 매기기 어렵습니다.