GPT-5.5 vs Claude Opus 4.7·DeepSeek V4·Kimi K2.6: 벤치마크 선두는 누구인가

먼저 보는 결론

• 전체 성능의 출발점은 GPT-5.5가 가장 유리합니다. Artificial Analysis의 Intelligence Index 일부에서 GPT-5.5 xhigh는 60점, GPT-5.5 high는 59점으로, Claude Opus 4.7의 57점보다 앞섭니다 . BrowseComp에서도 GPT-5.5는 84.4%로 DeepSeek V4의 83.4%, Claude Opus 4.7의 79.3%보다 높습니다 .
• Claude Opus 4.7은 개발자 업무에서 만만치 않습니다. SWE-Bench Pro에서 Claude Opus 4.7은 64.3%로 GPT-5.5의 58.6%보다 높고, GPQA Diamond에서도 94.2%로 GPT-5.5의 93.6%를 근소하게 앞섭니다 . 다만 Terminal-Bench 2.0에서는 GPT-5.5가 82.7%로 Claude Opus 4.7의 69.4%보다 크게 앞섭니다 .
• DeepSeek V4는 ‘가성비’가 핵심입니다. VentureBeat가 인용한 BrowseComp 수치에서 DeepSeek V4는 83.4%로 GPT-5.5보다 1.0%포인트 낮지만 Claude Opus 4.7보다 높습니다 . Mashable이 제시한 API 가격도 100만 입력 토큰당 1.74달러, 100만 출력 토큰당 3.48달러로, GPT-5.5의 5달러·30달러 및 Claude Opus 4.7의 5달러·25달러보다 낮습니다 .
• Kimi K2.6은 이 자료만으로는 순위를 매기기 어렵습니다. DocsBot은 Kimi K2.6을 오픈소스, 네이티브 멀티모달, 에이전트형 모델로 설명하며 1조 파라미터 MoE 구조, 320억 활성 파라미터, 256K 컨텍스트를 언급합니다 . 하지만 GPT-5.5, Claude Opus 4.7, DeepSeek V4와 나란히 비교할 수 있는 충분한 직접 벤치마크 수치는 제공되지 않았습니다 .

네 모델 비교 요약

왜 벤치마크를 ‘성적순’으로만 보면 위험한가

AI 벤치마크는 시험 이름이 같아도 실행 조건이 다를 수 있습니다. DataCamp는 유사한 프런티어 모델 비교에서 일부 벤치마크가 업체 보고값이며, 서로 다른 테스트 하네스 구성을 사용할 수 있다고 지적했습니다 . 즉, 점수 하나만 떼어 보면 깔끔해 보이지만 실제로는 모델 설정, 추론 강도, 도구 사용 여부, 평가 스크립트가 결과에 영향을 줄 수 있습니다.

이번 비교에서도 모델 이름이 완전히 같은 조건으로 맞춰져 있지 않습니다. Artificial Analysis는 GPT-5.5 xhigh, GPT-5.5 high, Claude Opus 4.7 Adaptive Reasoning 및 Max Effort 구성을 언급합니다 . VentureBeat의 DeepSeek 비교는 DeepSeek-V4-Pro-Max를 기준으로 설명합니다 . 따라서 ‘누가 무조건 1등인가’보다 ‘어떤 업무에서 어느 모델의 근거가 가장 강한가’가 더 좋은 질문입니다.

전체 성능: GPT-5.5가 가장 강하게 입증됨

가장 깔끔한 전체 지표는 Artificial Analysis의 Intelligence Index 일부입니다. 여기서 GPT-5.5 xhigh는 60점으로 1위, GPT-5.5 high는 59점으로 2위, Claude Opus 4.7은 Adaptive Reasoning 및 Max Effort 조건에서 57점으로 3위에 올라 있습니다 .

이 자료만 놓고 보면 GPT-5.5는 Claude Opus 4.7보다 약하지만 분명한 우위를 보입니다 . 다만 같은 출처 조각 안에서 DeepSeek V4와 Kimi K2.6까지 모두 같은 방식으로 비교할 수 있는 완전한 점수표는 제공되지 않았습니다 .

BrowseComp: DeepSeek V4가 GPT-5.5 턱밑까지 접근

BrowseComp는 GPT-5.5, Claude Opus 4.7, DeepSeek V4를 직접 비교하기에 가장 유용한 지표 중 하나입니다. VentureBeat는 GPT-5.5 Pro 90.1%, GPT-5.5 84.4%, DeepSeek V4 83.4%, Claude Opus 4.7 79.3%를 제시했습니다 .

다만 VentureBeat는 DeepSeek-V4-Pro-Max가 직접 비교 가능한 벤치마크 전반에서 GPT-5.5나 Claude Opus 4.7을 완전히 밀어냈다고 보기는 어렵다고 평가했습니다 . 핵심은 ‘DeepSeek V4가 BrowseComp에서 매우 강하다’이지, ‘전체 1위가 확정됐다’는 뜻은 아닙니다 .

코딩·소프트웨어: Claude는 SWE, GPT는 Terminal에서 강함

개발자 관점에서는 승자가 하나로 고정되지 않습니다. SWE-Bench Pro에서는 Claude Opus 4.7이 64.3%로 GPT-5.5의 58.6%보다 높습니다 . Vellum은 Claude Opus 4.7의 SWE-Bench Verified 점수도 87.6%로 제시했습니다 .

반대로 Terminal-Bench 2.0에서는 GPT-5.5가 82.7%로 Claude Opus 4.7의 69.4%를 크게 앞섭니다 . 터미널 조작, 파일 탐색, 도구 사용이 중요한 작업에서는 이 차이를 가볍게 보기 어렵습니다.

DeepSeek V4와 Kimi K2.6은 이 영역에서 같은 수준의 표로 정리할 만큼 직접 비교 수치가 충분하지 않습니다. VentureBeat는 DeepSeek V4가 여러 직접 비교 가능한 벤치마크에서 상위 모델에 가까워졌다고 설명하지만, 제공된 조각에서 가장 명확한 수치는 BrowseComp입니다 . Kimi K2.6 역시 모델 구조와 기능 설명은 있지만, 네 모델을 같은 표에 놓을 만큼의 벤치마크 매트릭스는 부족합니다 .

추론·지식·전문 업무: 벤치마크마다 선두가 바뀐다

지식·추론 테스트에서는 GPT-5.5와 Claude Opus 4.7이 매우 가깝습니다. GPQA Diamond에서 GPT-5.5는 93.6%, Claude Opus 4.7은 94.2%로 Claude가 근소하게 앞섭니다 . Mashable도 같은 GPQA Diamond 수치를 제시했고, Humanity’s Last Exam에서는 도구 사용 여부에 따라 승자가 바뀐다고 설명했습니다 . 도구 없이 보면 GPT-5.5가 40.6%로 Claude Opus 4.7의 31.2%보다 높고, 도구를 쓰면 Claude Opus 4.7이 54.7%로 GPT-5.5의 52.2%를 근소하게 앞섭니다 .

전문 업무와 에이전트형 벤치마크도 마찬가지입니다. Vellum은 GDPval에서 GPT-5.5 84.9%, Claude Opus 4.7 80.3%, OSWorld-Verified에서 GPT-5.5 78.7%, Claude Opus 4.7 78.0%, MCP Atlas에서 GPT-5.5 75.3%, Claude Opus 4.7 79.1%를 제시했습니다 . OpenAI는 FinanceAgent v1.1에서 GPT-5.5 60.0%, Claude Opus 4.7 64.4%를 제시했습니다 .

Anthropic은 내부 research-agent 벤치마크도 언급했습니다. Anthropic에 따르면 Claude Opus 4.7은 여섯 개 모듈에서 전체 최고 점수 0.715를 공동으로 기록했고, General Finance 모듈에서는 Opus 4.6의 0.767보다 높은 0.813을 기록했습니다 . 다만 이는 내부 벤치마크이며 네 모델을 모두 같은 방식으로 다루는 독립 비교는 아니므로, Claude의 에이전트형 업무 강점을 보여주는 참고 자료로 보는 편이 적절합니다 .

가격과 컨텍스트: DeepSeek V4가 가장 눈에 띈다

실제 도입에서는 벤치마크 1~2점보다 비용이 더 크게 작용할 때가 많습니다. 여기서 DeepSeek V4의 존재감이 커집니다. Mashable은 DeepSeek V4의 API 가격을 100만 입력 토큰당 1.74달러, 100만 출력 토큰당 3.48달러로 제시했고, 컨텍스트 창은 100만 토큰이라고 설명했습니다 . 같은 출처에서 GPT-5.5는 100만 입력 토큰당 5달러, 100만 출력 토큰당 30달러, Claude Opus 4.7은 100만 입력 토큰당 5달러, 100만 출력 토큰당 25달러로 제시됐으며 둘 다 100만 토큰 컨텍스트로 설명됐습니다 .

토큰은 모델이 텍스트를 읽고 쓰는 기본 처리 단위입니다. 긴 문서를 자주 넣거나 대량 출력을 생성하는 서비스라면 출력 토큰 가격 차이가 총비용에 큰 영향을 줄 수 있습니다. 다만 위 가격은 출처가 제시한 미국 달러 기준 수치이므로, 실제 도입 시에는 각 API의 최신 가격표와 사용 조건을 별도로 확인해야 합니다.

Kimi K2.6은 어떻게 봐야 하나

Kimi K2.6은 숫자보다 구조 설명이 더 많이 제공된 모델입니다. DocsBot은 Kimi K2.6을 Moonshot AI의 최신 오픈소스 네이티브 멀티모달 에이전트형 모델로 소개하며, 장기 코딩, 코딩 기반 디자인, 능동적 자율 실행, 스웜 기반 작업 오케스트레이션을 강조합니다 . 또한 Kimi K2.5의 1조 파라미터 MoE 구조, 320억 활성 파라미터, 256K 컨텍스트를 유지하고, 최대 300개 하위 에이전트와 4,000개 조정 단계를 지원한다고 설명합니다 .

이 설명만 보면 Kimi K2.6은 긴 문맥과 복잡한 에이전트 작업에 관심 있는 팀이 시험해 볼 만한 모델입니다. 그러나 이 글의 비교 대상인 GPT-5.5, Claude Opus 4.7, DeepSeek V4와 동일한 조건에서 측정된 충분한 벤치마크·가격 수치가 없기 때문에, 지금 단계에서 ‘몇 위’라고 단정하는 것은 부정확합니다 .

목적별 추천 출발점

최종 판단

제공된 근거만 놓고 가장 안전하게 말하면, GPT-5.5가 현재 가장 강하게 입증된 올라운더입니다. Artificial Analysis의 Intelligence Index 일부에서 앞서고, BrowseComp와 여러 전문 벤치마크에서도 강한 수치를 보입니다 .

하지만 Claude Opus 4.7은 코딩과 고난도 지식 업무에서 여전히 최상위권입니다. SWE-Bench Pro, SWE-Bench Verified, GPQA Diamond, FinanceAgent v1.1 같은 항목에서는 GPT-5.5보다 나은 수치가 제시됐습니다 .

DeepSeek V4는 가격 대비 성능의 변수입니다. BrowseComp에서 GPT-5.5에 거의 근접하면서도, 인용된 API 가격은 GPT-5.5와 Claude Opus 4.7보다 낮습니다 . 대규모 호출이 많은 서비스라면 벤치마크 1점 차이보다 이 비용 차이가 더 중요할 수 있습니다.

Kimi K2.6은 보류가 맞습니다. 긴 컨텍스트와 에이전트형 구조는 매력적이지만, 이 자료만으로는 네 모델을 같은 잣대로 세운 순위를 만들 수 없습니다 . 따라서 실제 선택은 ‘전체 1위’보다 ‘내 업무가 코딩인지, 리서치인지, 터미널 실행인지, 비용 민감형 API인지’에서 출발하는 편이 더 정확합니다.