DeepSeek V4 vs. GPT-5.5: quais benchmarks importam e qual modelo escolher?

Um detalhe importante: a documentação da OpenAI fala em contexto de 1M tokens para GPT-5.5 , enquanto a comparação da Artificial Analysis mostra GPT-5.5 high com 922k tokens e DeepSeek V4 Pro high com 1000k tokens . Isso não significa, automaticamente, contradição decisiva. Significa que você não deve misturar números de fontes diferentes sem checar variante do modelo, nível de reasoning e metodologia de medição.

Quais benchmarks merecem atenção?

SWE-bench Verified: bom sinal para código, mas não encerra a discussão

Um artigo da o-mega afirma que o GPT-5.5 alcançou 88,7% no SWE-bench Verified, contra 80,6% do DeepSeek V4-Pro — diferença de 8,1 pontos . Para times que querem construir agentes de software, esse é o dado público mais direto a favor do GPT-5.5.

Ainda assim, um placar em SWE-bench não substitui um benchmark próprio. Em agentes de coding, o resultado pode mudar por causa de prompt, nível de reasoning, acesso a ferramentas, número de tentativas, permissão para rodar testes, formato do patch e harness de avaliação. Portanto, o 88,7% contra 80,6% deve ser lido como motivo para testar o GPT-5.5 primeiro em coding, não como prova de que ele vence qualquer tarefa .

System card da OpenAI: amplo, mas não é head-to-head contra DeepSeek

O Deployment Safety Hub da OpenAI informa que o GPT-5.5 foi avaliado em controlabilidade com CoT-Control, uma suíte com mais de 13 mil tarefas construídas a partir de benchmarks como GPQA, MMLU-Pro, HLE, BFCL e SWE-Bench Verified . Isso ajuda a entender o escopo de testes aplicado ao GPT-5.5.

Mas há um limite: essa fonte não é uma tabela comparando GPT-5.5 diretamente com DeepSeek V4. Ela serve para avaliar como a OpenAI testou o próprio modelo, não para declarar, sozinha, que GPT-5.5 ganhou ou perdeu de DeepSeek V4 em GPQA, MMLU-Pro ou SWE-Bench Verified .

AA-Omniscience: avanço em conhecimento, alerta em alucinação

A Artificial Analysis afirma que o DeepSeek V4 Pro Max marcou -10 no AA-Omniscience, uma melhora de 11 pontos em relação ao V3.2 Reasoning, que ficou em -21; o DeepSeek V4 Flash Max marcou -23 . A mesma fonte traz um alerta forte: as taxas de alucinação do DeepSeek V4 Pro e do V4 Flash foram de 94% e 96%, respectivamente, o que significa que, quando não sabem a resposta, esses modelos quase sempre respondem mesmo assim .

Isso é crucial para produtos que dependem de precisão factual: busca em documentos internos, análise jurídica, finanças, saúde, compliance ou qualquer fluxo que precise de citação verificável. DeepSeek V4 Pro pode ser atraente por open weights e contexto longo, mas fluxos factuais devem incluir recuperação de fontes, checagem de citações, validação automática e revisão humana quando necessário .

Quando escolher GPT-5.5

Escolha GPT-5.5 se a prioridade for produção via API com parâmetros claros. A OpenAI publica o ID do modelo, preço, janela de contexto, limite de saída, data de corte de conhecimento em 01/12/2025 e suporte a Functions, Web search, File search e Computer use . Para uma equipe que precisa estimar custo, latência, tamanho de resposta e integração com ferramentas, essa documentação reduz incertezas.

GPT-5.5 também é um candidato forte se você está construindo um agente de código e quer começar pelo modelo com melhor sinal público no SWE-bench Verified, segundo a comparação da o-mega . Mesmo assim, o teste decisivo deve ser no seu repositório real, com suas dependências, seus testes e suas regras de revisão.

Quando escolher DeepSeek V4 Pro

DeepSeek V4 Pro merece prioridade se open weights for uma condição obrigatória. A Artificial Analysis descreve o modelo como open weights, lançado em abril de 2026, com entrada e saída de texto e contexto de 1M tokens . Isso pode ser relevante para equipes que querem maior controle de implantação, auditoria ou avaliação em infraestrutura própria.

O ponto de atenção é a confiabilidade factual. Com taxa de alucinação de 94% registrada para o DeepSeek V4 Pro no AA-Omniscience, qualquer uso em perguntas e respostas factuais deve ser desenhado com guardrails, não como uma chamada direta ao modelo . Em outras palavras: o modelo pode ser uma boa peça da arquitetura, mas não deve ser a única camada de verdade.

Se precisar de imagem ou tool-use oficial, GPT-5.5 leva vantagem

Na comparação da Artificial Analysis entre DeepSeek V4 Pro high e GPT-5.5 high, o GPT-5.5 aparece com suporte a image input, enquanto o DeepSeek V4 Pro high aparece sem esse suporte . Somando isso à documentação da OpenAI sobre Functions, Web search, File search e Computer use, a evidência pública atual favorece GPT-5.5 para fluxos multimodais ou agentes que dependem de ferramentas oficiais .

Como fazer um benchmark sério antes de decidir

Para escolher modelo padrão, rotear tráfego ou fechar uma compra de API, não compare apenas rankings públicos. Monte um teste controlado:

1. Fixe o modelo e o nível de reasoning. A OpenAI lista níveis como none, low, medium, high e xhigh para GPT-5.5 ; a Artificial Analysis também separa comparações por low, medium e high .
2. Use os mesmos prompts, dados e harness. Não compare um modelo com prompt refinado contra outro com prompt cru.
3. Mantenha a política de ferramentas igual. Em agentes de código, acesso a testes, número de retries e permissão para editar múltiplos arquivos podem mudar muito o resultado.
4. Meça mais do que acerto. Inclua erro de formato, estabilidade da saída, custo por tarefa, latência e taxa de revisão humana.
5. Crie um teste específico de alucinação. Isso é especialmente importante para DeepSeek V4 Pro e V4 Flash por causa dos números do AA-Omniscience .
6. Inclua dados no idioma do seu produto. Se o sistema atende usuários em português, coloque documentos, perguntas e exemplos reais em português na avaliação.
7. Teste por cenário, não por torcida. Um modelo pode vencer em coding agent e perder em resposta factual com citação; outro pode ser melhor para contexto longo, mas pior para uso de ferramentas.

Veredito

Com as evidências públicas disponíveis, GPT-5.5 é a escolha mais segura para começar se o objetivo é API em produção, agente de código com tool-use, entrada de imagem ou planejamento claro de custo e limites . DeepSeek V4 Pro é a opção mais interessante se open weights for requisito central, desde que você aceite construir camadas extras de verificação, especialmente para perguntas factuais .

Se a pergunta for simplesmente “DeepSeek V4 ou GPT-5.5 vence nos benchmarks?”, a resposta mais honesta é: ainda não há dados públicos, independentes e com as mesmas condições de execução para uma conclusão total. O sinal disponível favorece GPT-5.5 no SWE-bench Verified segundo uma fonte de terceiros , favorece GPT-5.5 em documentação de API e suporte oficial a ferramentas , e favorece DeepSeek V4 Pro quando o critério principal é open weights com contexto longo .