GPT-5.5 vs Claude Opus 4.7 vs DeepSeek V4 vs Kimi K2.6: o vencedor depende da tarefa

Tabela comparativa dos principais benchmarks

Na tabela abaixo, — significa que, nas fontes públicas fornecidas, não há um número diretamente comparável para aquele modelo naquele benchmark. Não significa que o modelo seja incapaz de executar a tarefa.

GPT-5.5: forte para agentes que vivem no terminal

A OpenAI afirma que o GPT-5.5 chegou a 82,7% no Terminal-Bench 2.0 e a 58,6% no SWE-Bench Pro . Segundo a empresa, o Terminal-Bench 2.0 mede fluxos complexos de linha de comando que exigem planejamento, iteração e coordenação de ferramentas, enquanto o SWE-Bench Pro avalia resolução de issues reais do GitHub .

Isso torna o GPT-5.5 um candidato natural para cenários como execução em sandbox, reprodução de falhas de CI, criação e edição de arquivos, scripts de correção e sessões longas de shell. Mas o resultado não autoriza dizer que ele vence em todo tipo de programação: no SWE-Bench Pro, Claude Opus 4.7 aparece com 64,3%, acima dos 58,6% do GPT-5.5 .

Claude Opus 4.7: melhor ponto de partida para conserto e revisão de código

Claude Opus 4.7 é reportado com 64,3% no SWE-Bench Pro e 87,6% no SWE-Bench Verified . A DataCamp resume que o modelo foi avaliado em 14 benchmarks envolvendo codificação, raciocínio, uso de ferramentas, uso de computador e raciocínio visual .

Nas comparações diretas com GPT-5.5, Claude Opus 4.7 também aparece levemente à frente em GPQA Diamond, com 94,2% contra 93,6%, e em MCP Atlas, com 79,1% contra 75,3% . Já em Terminal-Bench 2.0 e BrowseComp, os valores públicos favorecem o GPT-5.5 .

O retrato mais honesto é este: Claude Opus 4.7 parece ser um ótimo primeiro teste para correção de bugs, revisão estruturada e resolução de issues; GPT-5.5 parece mais forte quando a tarefa depende de executar muitos passos no terminal.

Kimi K2.6: contexto longo e multimodal pesam a favor, mas compare com cuidado

Kimi K2.6 aparece com 58,6% no SWE-Bench Pro e 80,2% no SWE-Bench Verified; outro guia também lista 66,7% no Terminal-Bench 2.0 e 54,0% em HLE com ferramentas . A ressalva é importante: esse guia atribui os números do K2.6 ao model card oficial da Moonshot AI e aponta o uso de um harness interno da Moonshot no SWE-Bench Pro .

Por isso, mesmo que o SWE-Bench Pro mostre 58,6% para Kimi K2.6 e 58,6% para GPT-5.5, não é seguro tratar os dois valores como um empate perfeito sob condições idênticas .

O motivo para testar Kimi K2.6 está mais claro em outro ponto: ele é apresentado com suporte a entrada de texto, imagem e vídeo, além de uma rota de contexto de 256k . Para produtos que precisam analisar documentos grandes, sequências multimodais ou muito material em uma só chamada, isso pode ser mais relevante do que uma diferença pequena em benchmark.

DeepSeek V4: preço agressivo, mas exige validação forte

Nas fontes disponíveis, DeepSeek V4 não tem números diretamente comparáveis para Terminal-Bench, SWE-Bench Pro, SWE-Bench Verified ou GPQA Diamond. O que há é outro tipo de evidência: a Artificial Analysis informa que o DeepSeek V4 Pro Max marcou -10 no AA-Omniscience, 11 pontos acima do V3.2, enquanto o V4 Flash Max marcou -23 . A mesma análise reporta taxas de alucinação de 94% para V4 Pro e 96% para V4 Flash, interpretando que os modelos quase sempre respondem mesmo quando não sabem .

Em arquitetura e custo, porém, há razões para olhar o modelo com atenção. A DataCamp afirma que DeepSeek V4 usa uma arquitetura Mixture of Experts; o modelo Pro teria 1,6 trilhão de parâmetros totais, com 49 bilhões ativos, enquanto o Flash teria 284 bilhões de parâmetros totais, com 13 bilhões ativos . Já a Mashable lista preços de API menores que os de GPT-5.5 e Claude Opus 4.7 .

Assim, DeepSeek V4 pode fazer sentido para processamento em grande volume, fluxos internos com validação automática e cenários em que custo por token pesa muito. Para produtos em que precisão é crítica, os relatos de alucinação alta e a falta de números nos benchmarks comuns tornam indispensáveis uma avaliação própria, checagens adicionais e mecanismos de detecção de falhas .

Guia de escolha por caso de uso

Por que não dá para declarar um campeão geral

Primeiro, as fontes disponíveis não trazem uma comparação independente dos quatro modelos usando o mesmo prompt, o mesmo acesso a ferramentas, o mesmo orçamento de raciocínio e o mesmo avaliador. GPT-5.5 e Claude Opus 4.7 têm mais números em comum; Kimi K2.6 combina model card e harness interno; DeepSeek V4 tem lacunas nos principais benchmarks desta tabela .

Segundo, o mesmo nome de benchmark pode esconder configurações diferentes. Uma análise observa que os resultados públicos de GPT-5.5 e Claude Opus 4.7 são comparáveis em formato, mas não necessariamente idênticos em metodologia . A Anthropic também informa que usou o harness Terminus-2 e condições específicas de recursos ao avaliar Terminal-Bench 2.0 .

Terceiro, benchmark não é produto. Em uma adoção real, entram na conta taxa de erro, tipo de falha, alucinação, latência, custo, estabilidade no uso de ferramentas, políticas de segurança e capacidade de reproduzir logs. A ExplainX ressalta que definições de leaderboard, prompts e políticas de ferramentas podem mover pontuações, então esses números devem ser tratados como um retrato do momento, não como substituto de uma avaliação própria .

Veredito

Com as evidências públicas atuais, a estratégia mais razoável é testar GPT-5.5 primeiro para agentes de terminal, Claude Opus 4.7 para correção e revisão de código no estilo SWE-Bench, Kimi K2.6 para contexto multimodal longo e DeepSeek V4 para chamadas em grande volume com foco em custo .

O campeão absoluto fica em aberto. As pontuações mudam conforme prompt, ferramentas, configurações de raciocínio e harness de avaliação; para decidir em produção, o benchmark que mais importa ainda é o seu .