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

단순히 ‘1등 모델’을 고르는 식의 순위표는 이 비교에 잘 맞지 않습니다. 제공된 자료는 GPT-5.5, Claude Opus 4.7, DeepSeek V4, Kimi K2.6을 하나의 독립 기관이 같은 조건에서 모두 시험한 결과가 아니라, 서로 다른 벤치마크·모델 변형·업체 발표·2차 분석을 엮은 것입니다 .

그래도 실무적으로 읽을 수 있는 흐름은 있습니다. GPT-5.5는 가장 강하게 입증된 올라운더, Claude Opus 4.7은 코딩과 전문 지식 일부에서 매우 강한 모델, DeepSeek V4는 비용을 고려할 때 가장 눈에 띄는 도전자, Kimi K2.6은 기술 사양은 흥미롭지만 직접 비교 수치가 부족한 모델로 보는 것이 가장 안전합니다 .

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

모델	자료에서 가장 강하게 확인되는 포인트	주요 수치	읽는 법
GPT-5.5	제공된 Artificial Analysis Intelligence Index 일부에서 선두	Intelligence Index 60점 xhigh, 59점 high ; BrowseComp 84.4%, GPT-5.5 Pro 90.1% ; Terminal-Bench 2.0 82.7%	전반적 선택지로 가장 안정적이지만 모든 항목에서 1위는 아닙니다.
Claude Opus 4.7	SWE-Bench, GPQA, 일부 에이전트·전문 업무에서 강세	Intelligence Index 57점 ; SWE-Bench Pro 64.3% ; SWE-Bench Verified 87.6% ; GPQA Diamond 94.2%	코드 리뷰, 복잡한 소프트웨어 작업, 지식형 업무에서 특히 검토할 만합니다.
DeepSeek V4	BrowseComp에서 GPT-5.5에 근접	BrowseComp 83.4% ; API 가격 100만 입력 토큰당 1.74달러, 100만 출력 토큰당 3.48달러	비용과 웹·리서치 성능을 함께 볼 때 강력한 후보입니다.
Kimi K2.6	긴 컨텍스트와 에이전트형 구조가 강조됨	1조 파라미터 MoE, 320억 활성 파라미터, 256K 컨텍스트	기술적으로는 흥미롭지만, 이 자료만으로 네 모델 순위에 넣기는 어렵습니다.

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 .

모델 또는 변형	BrowseComp 점수	해석
GPT-5.5 Pro	90.1%	이 비교 조각에서는 확실한 선두입니다 .
GPT-5.5	84.4%	DeepSeek V4보다 1.0%포인트 앞섭니다 .
DeepSeek V4	83.4%	GPT-5.5와 매우 가깝고 Claude Opus 4.7보다 높습니다 .
Claude Opus 4.7	79.3%	이 항목에서는 GPT-5.5와 DeepSeek V4 뒤입니다 .
Kimi K2.6	직접 비교 가능한 수치 없음	이 자료만으로는 공정한 순위 산정이 어렵습니다 .

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.

벤치마크	GPT-5.5	Claude Opus 4.7	결론
SWE-Bench Pro	58.6%	64.3%	Claude Opus 4.7 우세
SWE-Bench Verified	직접 인용 가능한 GPT-5.5 수치 없음	87.6%	Claude의 강한 수치지만 네 모델 전체 비교는 아님
Terminal-Bench 2.0	82.7%	69.4%	GPT-5.5 우세

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 .

벤치마크	GPT-5.5	Claude Opus 4.7	제공 수치상 우세
GPQA Diamond	93.6%	94.2%	Claude Opus 4.7 근소 우세
Humanity’s Last Exam	40.6%	31.2%	GPT-5.5 우세
Humanity’s Last Exam, 도구 사용	52.2%	54.7%	Claude Opus 4.7 근소 우세

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 .

벤치마크	GPT-5.5	Claude Opus 4.7	결론
GDPval	84.9%	80.3%	GPT-5.5 우세
OSWorld-Verified	78.7%	78.0%	GPT-5.5 근소 우세
MCP Atlas	75.3%	79.1%	Claude Opus 4.7 우세
FinanceAgent v1.1	60.0%	64.4%	Claude Opus 4.7 우세

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 .

모델	입력 가격, 100만 토큰당	출력 가격, 100만 토큰당	출처의 컨텍스트 표기
DeepSeek V4	1.74달러	3.48달러	100만 토큰
GPT-5.5	5달러	30달러	100만 토큰
Claude Opus 4.7	5달러	25달러	100만 토큰
Kimi K2.6	제공 자료에 신뢰할 만한 가격 없음	제공 자료에 신뢰할 만한 가격 없음	256K 토큰

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

우선순위	먼저 검토할 모델	이유
가장 강한 전체 성능 근거	GPT-5.5	제공된 Intelligence Index 일부에서 선두이고, BrowseComp에서도 Claude Opus 4.7과 DeepSeek V4보다 높습니다 .
SWE-Bench 중심 소프트웨어 엔지니어링	Claude Opus 4.7	SWE-Bench Pro에서 GPT-5.5보다 높고, SWE-Bench Verified 87.6% 수치가 제시됐습니다 .
터미널·컴퓨터 조작·도구 실행	GPT-5.5	Terminal-Bench 2.0에서 Claude Opus 4.7보다 크게 앞서며, GDPval과 OSWorld-Verified에서도 우세한 수치가 있습니다 .
웹 리서치 성능과 낮은 API 비용	DeepSeek V4	BrowseComp 83.4%로 GPT-5.5에 근접했고, 인용된 API 가격이 크게 낮습니다 .
오픈소스 멀티모달 에이전트 모델 실험	Kimi K2.6	오픈소스, 네이티브 멀티모달, 에이전트형 모델로 설명되지만 직접 비교 수치는 부족합니다 .

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.