Resumo prático: qual modelo testar primeiro?

A tabela mais comparável: Claude, GPT-5.5 e DeepSeek V4-Pro-Max

Os números abaixo vêm da mesma comparação e, por isso, são os mais úteis para comparar DeepSeek V4-Pro-Max, GPT-5.5, GPT-5.5 Pro e Claude Opus 4.7. O GPT-5.5 Pro aparece apenas em alguns testes.

A leitura é direta: Claude Opus 4.7 aparece mais forte em raciocínio acadêmico difícil, resolução sem ferramentas, engenharia de software e MCP Atlas; GPT-5.5 se destaca quando a tarefa envolve terminal, navegador e ferramentas externas. DeepSeek V4-Pro-Max não fica em primeiro em nenhuma linha dessa tabela, mas seu BrowseComp de 83,4% é muito próximo dos 84,4% do GPT-5.5 e acima dos 79,3% do Claude Opus 4.7.

Onde Kimi K2.6 entra na comparação

O caso do Kimi K2.6 exige cuidado. Não é que faltem números; o problema é que eles vêm de fontes, modos e grupos de comparação diferentes. Isso ajuda a decidir se ele deve entrar no seu teste, mas não autoriza transformar tudo em uma tabela única de campeões.

Com esses dados, Kimi K2.6 deve ser visto como um candidato sério para a sua shortlist, especialmente se você quer testar o ecossistema Kimi, modelos alternativos para agentes de código ou uma rota potencialmente mais barata. O que ainda não dá para dizer, com as evidências disponíveis, é que ele seja o vencedor geral comprovado entre os quatro.

Preço, janela de contexto e custo de operação

Benchmark mede capacidade, mas escolha de produção também depende de preço por token, custo de saída, tamanho da janela de contexto e, em alguns casos, peso do modelo para implantação.

O principal sinal econômico é este: GPT-5.5 e Claude Opus 4.7 aparecem com o mesmo preço de entrada, US$ 5 por 1 milhão de tokens, mas GPT-5.5 sai a US$ 30 por 1 milhão de tokens de saída, contra US$ 25 no Claude Opus 4.7. DeepSeek entra na conversa com a narrativa de custo em torno de um sexto dos modelos americanos mais recentes.

Como escolher por tipo de trabalho

1. Raciocínio difícil: comece por Claude Opus 4.7

Para tarefas de raciocínio acadêmico, análise complexa, perguntas sem ferramentas e respostas que exigem alta confiabilidade, Claude Opus 4.7 é a primeira opção mais bem sustentada pelos dados comparáveis. Ele marca 94,2% no GPQA Diamond, acima dos 93,6% do GPT-5.5 e dos 90,1% do DeepSeek V4-Pro-Max; no Humanity's Last Exam sem ferramentas, também lidera com 46,9%.

2. Terminal, navegador e ferramentas: comece por GPT-5.5 ou GPT-5.5 Pro

Se o trabalho envolve operar terminal, navegar na web, controlar ferramentas ou resolver tarefas com apoio de ferramentas externas, GPT-5.5 aparece mais forte. No Terminal-Bench 2.0, GPT-5.5 faz 82,7%, contra 69,4% do Claude Opus 4.7 e 67,9% do DeepSeek V4-Pro-Max. No BrowseComp, GPT-5.5 Pro chega a 90,1%, o maior resultado da tabela.

3. Engenharia de software: Claude lidera, mas rode sua própria avaliação

No quadro comparável, Claude Opus 4.7 faz 64,3% no SWE-Bench Pro/SWE Pro, acima dos 58,6% do GPT-5.5 e dos 55,4% do DeepSeek V4-Pro-Max. O LLM Stats aponta uma direção parecida: Claude Opus 4.7 aparece com 0,64 no SWE-Bench Pro, enquanto GPT-5.5 e Kimi K2.6 aparecem com 0,59 e DeepSeek V4-Pro-Max com 0,55.

Ainda assim, benchmark de código é particularmente sensível ao repositório, à linguagem, ao framework de testes, ao setup do agente e ao prompt. Um teste prático de coding mostra Claude Opus 4.7 com 97 pontos, GPT-5.5 xHigh com 96, Kimi K2.6 com 87, DeepSeek V4 Flash com 78 e DeepSeek V4 Pro com 69; é um bom sinal de campo, mas não deve decidir sozinho uma escolha de produção.

4. Custo e escala: DeepSeek V4 merece prioridade no teste

Se o gargalo é custo por token e a tarefa não exige vencer todos os benchmarks de fronteira, DeepSeek V4 é um candidato racional. Na tabela comparável, DeepSeek V4-Pro-Max fica perto dos líderes em alguns testes, embora não lidere nenhum; ao mesmo tempo, reportagens citam custo de cerca de um sexto dos modelos americanos mais recentes.

O cuidado está na operação. O DeepSeek V4 Pro é grande: DataCamp lista 1,6 trilhão de parâmetros totais, 49 bilhões ativos e download de 865 GB. Para quem não vai usar apenas uma API de terceiros, custos de hardware, inferência, download, atualização e manutenção precisam entrar na planilha.

5. Kimi K2.6: coloque na shortlist, mas valide no seu fluxo

Kimi K2.6 traz sinais interessantes. O DocsBot lista BrowseComp de 83,2%, quase igual aos 83,4% do DeepSeek-V4 Pro na mesma página; o LLM Stats lista Kimi K2.6 com 0,59 no SWE-Bench Pro, empatado com GPT-5.5; e o benchmark prático de coding dá 87 pontos ao Kimi K2.6.

O limite é a comparabilidade. Sem uma tabela completa, mesma fonte, mesmos modos e mesmos quatro modelos, Kimi K2.6 deve ser tratado como um candidato de alto potencial, não como um vencedor geral já comprovado.

Por que não exagerar o ranking

1. Kimi K2.6 não aparece na principal tabela lado a lado. A comparação mais completa cobre DeepSeek V4-Pro-Max, GPT-5.5, GPT-5.5 Pro e Claude Opus 4.7; Kimi precisa ser analisado com apoio de DocsBot, Artificial Analysis, LLM Stats, Hugging Face e um teste prático de coding.
2. Versões e modos não são sempre equivalentes. As fontes alternam nomes como GPT-5.5 Pro, GPT-5.5 xHigh, DeepSeek-V4 Pro, DeepSeek V4-Pro-Max, Kimi Thinking e Claude Opus 4.7 Adaptive Reasoning / Max Effort; não é seguro tratar tudo como o mesmo setup.
3. Pontuações de plataformas diferentes não devem ser somadas. Uma tabela usa porcentagens para SWE-Bench Pro/SWE Pro; o LLM Stats usa escala 0.xx para SWE-Bench Pro. O mais confiável é comparar modelos dentro da mesma fonte e depois rodar a sua própria avaliação.
4. Dados de preço são desiguais. GPT-5.5 e Claude Opus 4.7 têm valores de entrada e saída citados claramente; DeepSeek aparece com a referência de cerca de um sexto do custo; Kimi K2.6 não tem, nas fontes usadas aqui, uma tabela completa e verificável de preço por token.

Veredito

Se for preciso resumir em uma frase: Claude Opus 4.7 vence os sinais mais fortes de raciocínio difícil e engenharia de software; GPT-5.5 e GPT-5.5 Pro vencem vários benchmarks ligados a ferramentas, terminal e navegação; DeepSeek V4-Pro-Max é a opção de equilíbrio entre capacidade e custo; Kimi K2.6 tem potencial, mas ainda precisa de evidência mais completa em comparação direta.

Na prática, a melhor escolha não sai de um placar geral. Ela sai de uma avaliação com o seu repositório, seus tickets, seu fluxo de pesquisa, suas permissões de ferramenta, sua janela de contexto necessária, sua tolerância a erro, sua latência aceitável e seu orçamento de tokens. Só depois desse teste o benchmark vira uma decisão de produto.

Resumo prático: qual modelo testar primeiro?

A tabela mais comparável: Claude, GPT-5.5 e DeepSeek V4-Pro-Max

Os números abaixo vêm da mesma comparação e, por isso, são os mais úteis para comparar DeepSeek V4-Pro-Max, GPT-5.5, GPT-5.5 Pro e Claude Opus 4.7. O GPT-5.5 Pro aparece apenas em alguns testes.

A leitura é direta: Claude Opus 4.7 aparece mais forte em raciocínio acadêmico difícil, resolução sem ferramentas, engenharia de software e MCP Atlas; GPT-5.5 se destaca quando a tarefa envolve terminal, navegador e ferramentas externas. DeepSeek V4-Pro-Max não fica em primeiro em nenhuma linha dessa tabela, mas seu BrowseComp de 83,4% é muito próximo dos 84,4% do GPT-5.5 e acima dos 79,3% do Claude Opus 4.7.

Onde Kimi K2.6 entra na comparação

O caso do Kimi K2.6 exige cuidado. Não é que faltem números; o problema é que eles vêm de fontes, modos e grupos de comparação diferentes. Isso ajuda a decidir se ele deve entrar no seu teste, mas não autoriza transformar tudo em uma tabela única de campeões.

Com esses dados, Kimi K2.6 deve ser visto como um candidato sério para a sua shortlist, especialmente se você quer testar o ecossistema Kimi, modelos alternativos para agentes de código ou uma rota potencialmente mais barata. O que ainda não dá para dizer, com as evidências disponíveis, é que ele seja o vencedor geral comprovado entre os quatro.

Preço, janela de contexto e custo de operação

Benchmark mede capacidade, mas escolha de produção também depende de preço por token, custo de saída, tamanho da janela de contexto e, em alguns casos, peso do modelo para implantação.

O principal sinal econômico é este: GPT-5.5 e Claude Opus 4.7 aparecem com o mesmo preço de entrada, US$ 5 por 1 milhão de tokens, mas GPT-5.5 sai a US$ 30 por 1 milhão de tokens de saída, contra US$ 25 no Claude Opus 4.7. DeepSeek entra na conversa com a narrativa de custo em torno de um sexto dos modelos americanos mais recentes.

Como escolher por tipo de trabalho

1. Raciocínio difícil: comece por Claude Opus 4.7

Para tarefas de raciocínio acadêmico, análise complexa, perguntas sem ferramentas e respostas que exigem alta confiabilidade, Claude Opus 4.7 é a primeira opção mais bem sustentada pelos dados comparáveis. Ele marca 94,2% no GPQA Diamond, acima dos 93,6% do GPT-5.5 e dos 90,1% do DeepSeek V4-Pro-Max; no Humanity's Last Exam sem ferramentas, também lidera com 46,9%.

2. Terminal, navegador e ferramentas: comece por GPT-5.5 ou GPT-5.5 Pro

Se o trabalho envolve operar terminal, navegar na web, controlar ferramentas ou resolver tarefas com apoio de ferramentas externas, GPT-5.5 aparece mais forte. No Terminal-Bench 2.0, GPT-5.5 faz 82,7%, contra 69,4% do Claude Opus 4.7 e 67,9% do DeepSeek V4-Pro-Max. No BrowseComp, GPT-5.5 Pro chega a 90,1%, o maior resultado da tabela.

3. Engenharia de software: Claude lidera, mas rode sua própria avaliação

No quadro comparável, Claude Opus 4.7 faz 64,3% no SWE-Bench Pro/SWE Pro, acima dos 58,6% do GPT-5.5 e dos 55,4% do DeepSeek V4-Pro-Max. O LLM Stats aponta uma direção parecida: Claude Opus 4.7 aparece com 0,64 no SWE-Bench Pro, enquanto GPT-5.5 e Kimi K2.6 aparecem com 0,59 e DeepSeek V4-Pro-Max com 0,55.

Ainda assim, benchmark de código é particularmente sensível ao repositório, à linguagem, ao framework de testes, ao setup do agente e ao prompt. Um teste prático de coding mostra Claude Opus 4.7 com 97 pontos, GPT-5.5 xHigh com 96, Kimi K2.6 com 87, DeepSeek V4 Flash com 78 e DeepSeek V4 Pro com 69; é um bom sinal de campo, mas não deve decidir sozinho uma escolha de produção.

4. Custo e escala: DeepSeek V4 merece prioridade no teste

Se o gargalo é custo por token e a tarefa não exige vencer todos os benchmarks de fronteira, DeepSeek V4 é um candidato racional. Na tabela comparável, DeepSeek V4-Pro-Max fica perto dos líderes em alguns testes, embora não lidere nenhum; ao mesmo tempo, reportagens citam custo de cerca de um sexto dos modelos americanos mais recentes.

O cuidado está na operação. O DeepSeek V4 Pro é grande: DataCamp lista 1,6 trilhão de parâmetros totais, 49 bilhões ativos e download de 865 GB. Para quem não vai usar apenas uma API de terceiros, custos de hardware, inferência, download, atualização e manutenção precisam entrar na planilha.

5. Kimi K2.6: coloque na shortlist, mas valide no seu fluxo

Kimi K2.6 traz sinais interessantes. O DocsBot lista BrowseComp de 83,2%, quase igual aos 83,4% do DeepSeek-V4 Pro na mesma página; o LLM Stats lista Kimi K2.6 com 0,59 no SWE-Bench Pro, empatado com GPT-5.5; e o benchmark prático de coding dá 87 pontos ao Kimi K2.6.

O limite é a comparabilidade. Sem uma tabela completa, mesma fonte, mesmos modos e mesmos quatro modelos, Kimi K2.6 deve ser tratado como um candidato de alto potencial, não como um vencedor geral já comprovado.

Por que não exagerar o ranking

1. Kimi K2.6 não aparece na principal tabela lado a lado. A comparação mais completa cobre DeepSeek V4-Pro-Max, GPT-5.5, GPT-5.5 Pro e Claude Opus 4.7; Kimi precisa ser analisado com apoio de DocsBot, Artificial Analysis, LLM Stats, Hugging Face e um teste prático de coding.
2. Versões e modos não são sempre equivalentes. As fontes alternam nomes como GPT-5.5 Pro, GPT-5.5 xHigh, DeepSeek-V4 Pro, DeepSeek V4-Pro-Max, Kimi Thinking e Claude Opus 4.7 Adaptive Reasoning / Max Effort; não é seguro tratar tudo como o mesmo setup.
3. Pontuações de plataformas diferentes não devem ser somadas. Uma tabela usa porcentagens para SWE-Bench Pro/SWE Pro; o LLM Stats usa escala 0.xx para SWE-Bench Pro. O mais confiável é comparar modelos dentro da mesma fonte e depois rodar a sua própria avaliação.
4. Dados de preço são desiguais. GPT-5.5 e Claude Opus 4.7 têm valores de entrada e saída citados claramente; DeepSeek aparece com a referência de cerca de um sexto do custo; Kimi K2.6 não tem, nas fontes usadas aqui, uma tabela completa e verificável de preço por token.

Veredito

Se for preciso resumir em uma frase: Claude Opus 4.7 vence os sinais mais fortes de raciocínio difícil e engenharia de software; GPT-5.5 e GPT-5.5 Pro vencem vários benchmarks ligados a ferramentas, terminal e navegação; DeepSeek V4-Pro-Max é a opção de equilíbrio entre capacidade e custo; Kimi K2.6 tem potencial, mas ainda precisa de evidência mais completa em comparação direta.

Na prática, a melhor escolha não sai de um placar geral. Ela sai de uma avaliação com o seu repositório, seus tickets, seu fluxo de pesquisa, suas permissões de ferramenta, sua janela de contexto necessária, sua tolerância a erro, sua latência aceitável e seu orçamento de tokens. Só depois desse teste o benchmark vira uma decisão de produto.