GPT-5.5, Claude Opus 4.7, DeepSeek V4 e Kimi K2.6: qual testar primeiro?

Escolha rápida: por onde começar

A tabela principal: benchmarks e preço

Um cuidado importante: as fontes usam nomes diferentes para a família DeepSeek — DeepSeek V4, DeepSeek V4 Pro e DeepSeek-V4-Pro-Max — e isso pode refletir configurações diferentes. A tabela abaixo preserva os nomes usados nas fontes para não tratar variantes distintas como se fossem a mesma configuração.

Ranking geral: GPT-5.5 aparece à frente, mas só no recorte visível

O resumo visível da Artificial Analysis lista os cinco primeiros modelos por Intelligence Index: GPT-5.5 xhigh com 60, GPT-5.5 high com 59, Claude Opus 4.7 Adaptive Reasoning, Max Effort com 57, seguido por Gemini 3.1 Pro Preview e GPT-5.4 xhigh também com 57.

Isso permite uma conclusão limitada: nesse recorte do Intelligence Index, GPT-5.5 aparece à frente de Claude Opus 4.7. O que não dá para concluir é um ranking completo dos quatro modelos, porque o mesmo resumo não mostra pontuações equivalentes para DeepSeek V4 e Kimi K2.6.

Agentes, navegação e terminal: GPT-5.5 lidera; DeepSeek chega perto na navegação

O BrowseComp mede desempenho em navegação agentic na web, especialmente em busca de informação estruturada e altamente “containerizada”. Nesse teste, a VentureBeat lista GPT-5.5 com 84,4%, DeepSeek-V4-Pro-Max com 83,4% e Claude Opus 4.7 com 79,3%.

A diferença é pequena entre GPT-5.5 e DeepSeek-V4-Pro-Max no BrowseComp, mas aumenta no Terminal-Bench 2.0. No mesmo resumo, GPT-5.5 aparece com 82,7%, Claude Opus 4.7 com 69,4% e DeepSeek com 67,9%. O Yahoo / Investing.com também descreve o Terminal-Bench 2.0 como um teste de fluxos de linha de comando e lista GPT-5.5 com 82,7%.

Kimi K2.6 tem um número visível de 66,70% no Terminal-Bench 2.0, mas esse dado vem de outro comparativo, contra Claude Opus 4.6 e GPT-5.4. Por isso, ele não deve ser usado como se fosse uma medição direta contra GPT-5.5, Claude Opus 4.7 e DeepSeek V4.

Código e engenharia de software: Claude vence no SWE-Bench Pro, mas não encerra a discussão

No comparativo citado pela DataCamp, o SWE-Bench Pro mostra Claude Opus 4.7 com 64,3%, GPT-5.5 com 58,6% e DeepSeek V4 Pro com 55,4%. O Yahoo / Investing.com também lista GPT-5.5 com 58,6% no SWE-Bench Pro, descrevendo o teste como uma avaliação de resolução de issues do GitHub.

Para Kimi K2.6, os números de código merecem atenção, mas com cautela. A Verdent lista Kimi K2.6 com 58,60% no SWE-Bench Pro, 80,20% no SWE-Bench Verified e 89,60% no LiveCodeBench v6; porém, a mesma fonte informa que os números de Kimi K2.6 vêm do model card oficial da Moonshot AI e que o SWE-Bench Pro usou um harness interno da Moonshot.

Na prática, se o seu caso envolve manutenção de repositórios grandes, revisão de código ou agentes que programam por muito tempo, não basta olhar uma única linha de benchmark. Claude Opus 4.7 tem o melhor número visível no SWE-Bench Pro; GPT-5.5 lidera nos testes de uso prolongado de ferramentas, como Terminal-Bench 2.0; e Kimi K2.6 deve ser avaliado no seu próprio repositório e na sua própria cadeia de ferramentas.

Raciocínio difícil e revisão: Claude Opus 4.7 tem a vantagem mais clara

Nos benchmarks de raciocínio mais pesado, Claude Opus 4.7 aparece forte. A VentureBeat lista GPQA Diamond com Claude Opus 4.7 em 94,2%, GPT-5.5 em 93,6% e DeepSeek-V4-Pro-Max em 90,1%.

No Humanity’s Last Exam sem ferramentas, a mesma fonte mostra Claude Opus 4.7 com 46,9%, GPT-5.5 com 41,4%, GPT-5.5 Pro com 43,1% e DeepSeek-V4-Pro-Max com 37,7%.

A leitura da LLM Stats vai na mesma direção: nos 10 benchmarks que os dois fornecedores reportam, Claude Opus 4.7 lidera em 6 e GPT-5.5 em 4. A vantagem de Claude se concentra em testes de raciocínio pesado e revisão de alto rigor, enquanto GPT-5.5 lidera nos testes de uso prolongado de ferramentas.

Preço e contexto: DeepSeek V4 é o nome mais agressivo em custo

No comparativo de preços citado pela Mashable, DeepSeek V4 custa US$ 1,74 por 1 milhão de tokens de entrada e US$ 3,48 por 1 milhão de tokens de saída, com janela de contexto de 1 milhão de tokens. No mesmo padrão, GPT-5.5 custa US$ 5 por 1 milhão de tokens de entrada e US$ 30 por 1 milhão de tokens de saída; Claude Opus 4.7 custa US$ 5 por 1 milhão de tokens de entrada e US$ 25 por 1 milhão de tokens de saída.

A DataCamp usa o mesmo recorte de preço para DeepSeek V4 Pro, GPT-5.5 e Claude Opus 4.7, e também lista janelas de contexto próximas de 1 milhão de tokens para os três. Com esses números públicos, a vantagem de custo de DeepSeek V4 é a mais evidente. Somada ao resultado de 83,4% no BrowseComp para DeepSeek-V4-Pro-Max, próximo dos 84,4% de GPT-5.5, ela torna o modelo um candidato natural para rotas de API sensíveis a custo.

Já Kimi K2.6 não aparece nas fontes fornecidas com preço de API no mesmo padrão. O dado público relevante aqui é outro: a DocsBot descreve Kimi K2.6 como um modelo agentic multimodal open-source da Moonshot AI, com contexto de 256K e foco em long-horizon coding, design orientado por código, execução autônoma e orquestração de enxames de agentes.

O caminho mais seguro: roteamento em vez de aposta única

Para a maioria dos times que vão colocar IA em produto, a pergunta não deveria ser “qual modelo vence?”, mas “qual modelo deve atender cada rota?”. Uma arquitetura prática pode começar assim:

1. Use GPT-5.5 como referência premium para agentes com ferramentas. Ele lidera em BrowseComp e Terminal-Bench 2.0, e a OpenAI também lista 84,9% no GDPval, 78,7% no OSWorld-Verified e 98,0% no Tau2-bench Telecom, benchmarks ligados a trabalho de conhecimento, uso de computador e fluxos de atendimento.
2. Use Claude Opus 4.7 para raciocínio, revisão e tarefas de baixa tolerância a erro. Ele aparece à frente em GPQA Diamond, Humanity’s Last Exam sem ferramentas e nos testes que a LLM Stats agrupa como reasoning-heavy e review-grade.
3. Use DeepSeek V4 para reduzir custo em chamadas de alto volume. O preço por token é bem menor que o de GPT-5.5 e Claude Opus 4.7 no recorte público, enquanto seu BrowseComp fica perto do GPT-5.5.
4. Coloque Kimi K2.6 em uma trilha experimental de coding agent open-source. Ele tem métricas visíveis em código e agentes, mas ainda falta um benchmark público completo, no mesmo ambiente, contra GPT-5.5, Claude Opus 4.7 e DeepSeek V4.

Limitações desta comparação

• Nem todos os modelos foram testados lado a lado. GPT-5.5, Claude Opus 4.7 e DeepSeek-V4-Pro-Max aparecem juntos em parte do resumo da VentureBeat; Kimi K2.6 vem principalmente de outro comparativo, com Claude Opus 4.6 e GPT-5.4.
• As configurações podem mudar o resultado. A Artificial Analysis separa GPT-5.5 em xhigh e high, enquanto Claude Opus 4.7 aparece como Adaptive Reasoning, Max Effort; a VentureBeat usa DeepSeek-V4-Pro-Max. Isso não necessariamente equivale ao modo padrão de API.
• Autorrelato e benchmark de terceiros não são a mesma coisa. A LLM Stats observa que parte dos resultados de GPT-5.5 e Claude Opus 4.7 foi autorrelatada em tiers altos de raciocínio, com metodologias não totalmente idênticas.
• Benchmark público define prioridade de teste, não decisão final. BrowseComp favorece navegação agentic, Terminal-Bench 2.0 mede fluxos de linha de comando e SWE-Bench Pro avalia resolução de issues do GitHub; nenhum deles substitui uma avaliação com as tarefas reais do seu produto.

Veredito

Com os dados públicos disponíveis, GPT-5.5 é o candidato mais forte para agentes com ferramentas, navegação e automação; Claude Opus 4.7 é a escolha mais convincente para raciocínio difícil e revisão; DeepSeek V4 oferece a relação custo-desempenho mais chamativa para APIs de alto volume; e Kimi K2.6 deve entrar no radar de quem quer explorar coding agents open-source, mas ainda não tem evidência suficiente para ocupar uma posição justa em um ranking completo entre os quatro.

Antes de contratar ou colocar em produção, rode uma bateria própria: mesmos prompts, mesmas ferramentas liberadas, mesmo tamanho de contexto e mesmo critério de sucesso. Benchmark público ajuda a decidir quem entra primeiro no teste; a escolha final depende do seu fluxo real, do custo do erro e do custo por token.