GPT-5.5, Claude Opus 4.7, DeepSeek V4 e Kimi K2.6: benchmarks, custos e melhor uso

Por que um ranking só não resolve

Ainda não há uma comparação pública completa que coloque os quatro modelos no mesmo avaliador, na mesma data, com o mesmo orçamento de raciocínio, as mesmas ferramentas e o mesmo empacotamento de API. O que existe é um conjunto de fontes: páginas de fornecedores, documentação de API, rankings de terceiros, agregadores, mídia especializada e testes individuais.

Isso importa porque pequenas diferenças de configuração mudam o resultado. A Artificial Analysis separa GPT-5.5 xHigh, GPT-5.5 High e Claude Opus 4.7 com Adaptive Reasoning Max Effort; a documentação da OpenAI também mostra que GPT-5.5 aceita níveis de reasoning effort como none, low, medium, high e xhigh. Em outras palavras: um modelo liderar uma tabela não significa automaticamente que ele será o melhor no seu prompt, no seu pipeline de ferramentas, no seu limite de latência e no seu processo de revisão.

Benchmarks públicos: o que dá para comparar

GPT-5.5: a opção padrão para alta performance

A página da OpenAI indica que GPT-5.5 e GPT-5.5 Pro ficaram disponíveis em atualização de 24 de abril de 2026; a documentação da API descreve gpt-5.5 como um modelo voltado a código e trabalho profissional, com janela de contexto de 1 milhão de tokens, saída máxima de 128K, function calling, busca na web, busca em arquivos e uso de computador.

Nos benchmarks públicos, GPT-5.5 é o melhor candidato a linha de base de alto desempenho. A Artificial Analysis atribui 60 pontos ao GPT-5.5 xHigh e 59 ao GPT-5.5 High; a VentureBeat resume o Terminal-Bench 2.0 com GPT-5.5 em 82,7%, acima dos 69,4% de Claude Opus 4.7 e dos 67,9% de DeepSeek V4.

O principal custo é literalmente custo. A documentação da OpenAI lista GPT-5.5 a US$ 5 por milhão de tokens de entrada e US$ 30 por milhão de tokens de saída; em tarefas com relatórios longos, muitos ciclos agentivos ou respostas extensas, o preço dos tokens de saída vira variável central.

Quando testar primeiro: agentes complexos de programação, automação em terminal, pesquisa com várias ferramentas e fluxos profissionais que combinem function calling, busca na web, busca em arquivos e uso de computador.

Claude Opus 4.7: força em tarefas longas, pesquisa e disciplina de dados

Claude Opus 4.7 aparece com posicionamento mais forte para trabalho de longo prazo, análise multi-etapas e respostas rigorosas. A Anthropic afirma que o modelo empatou no topo geral de seu benchmark interno de agente de pesquisa, com 0,715, e teve o desempenho de contexto longo mais consistente entre os modelos testados; no módulo General Finance, marcou 0,813, acima dos 0,767 do Opus 4.6.

Na comparação da VentureBeat para Humanity’s Last Exam, Claude Opus 4.7 marcou 46,9% sem ferramentas, acima dos 41,4% de GPT-5.5 e dos 37,7% de DeepSeek V4; com ferramentas, Claude chegou a 54,7%, acima dos 52,2% do GPT-5.5 base, mas abaixo dos 57,2% do GPT-5.5 Pro.

Isso não significa que Claude vença em tudo. No Terminal-Bench 2.0, GPT-5.5 aparece com 82,7%, bem acima dos 69,4% do Claude Opus 4.7. Também há material de terceiros apontando Claude Opus 4.7 com 82,4% no SWE-bench Verified, mas esse número não vem de uma comparação direta, homogênea e simultânea entre os quatro modelos, então não deve ser misturado com SWE-Bench Pro como se fosse o mesmo placar.

Quando testar primeiro: pesquisa em documentos longos, análise financeira, tarefas que exigem explicitar base de evidência, maior disciplina de dados, raciocínio multi-etapas e revisão cuidadosa.

DeepSeek V4: custo-benefício forte, mas não líder absoluto

O argumento mais forte do DeepSeek V4 é preço. A Mashable resume o custo da API em US$ 1,74 por milhão de tokens de entrada e US$ 3,48 por milhão de tokens de saída; na mesma comparação, GPT-5.5 aparece a US$ 5/US$ 30 e Claude Opus 4.7 a US$ 5/US$ 25.

Em desempenho, DeepSeek V4 fica perto da fronteira, mas não lidera de forma ampla nas fontes públicas citadas. A VentureBeat relata DeepSeek V4 com 37,7% no HLE sem ferramentas e 48,2% com ferramentas, abaixo de GPT-5.5, GPT-5.5 Pro e Claude Opus 4.7 nos respectivos cenários; no Terminal-Bench 2.0, os 67,9% do DeepSeek ficam próximos dos 69,4% do Claude, mas abaixo dos 82,7% do GPT-5.5.

Por isso, DeepSeek V4 deve ser visto como forte candidato para sistemas sensíveis a custo, não como substituto automático de todos os modelos fechados de ponta. A pergunta operacional é: ele atinge sua linha mínima de qualidade? E a economia por token compensa eventuais retentativas, revisão humana e impacto de latência?

Quando testar primeiro: processamento em lote, inferência de alto volume, produtos com margem apertada e sistemas em que uma revisão adicional é aceitável se o custo por chamada cair bastante.

Kimi K2.6: open weights, multimodalidade e contexto longo

Kimi K2.6 se destaca por três pontos: open weights, entrada multimodal e contexto longo. A Artificial Analysis o chama de novo modelo líder entre open weights e informa suporte nativo a imagem e vídeo como entrada, texto como saída e contexto máximo de 256K. O OpenRouter lista, para Kimi K2.6, Artificial Analysis Intelligence de 53,9, Coding de 47,1 e Agentic de 66,0, além de máximo de 256K tokens e saída máxima de 66K.

Em tarefas de pesquisa na web, a comparação da DocsBot mostra Kimi K2.6 com 83,2% no BrowseComp, perto dos 84,4% de GPT-5.5. Mas há uma ressalva importante: alguns materiais sobre Kimi K2.6 o comparam sobretudo com GPT-5.4 e Claude Opus 4.6, não com GPT-5.5, Claude Opus 4.7 e DeepSeek V4 em uma mesma avaliação.

Quando testar primeiro: equipes que priorizam open weights, maior autonomia de implantação, processamento de contexto longo, entrada de imagem ou vídeo e equilíbrio entre custo, controle e qualidade.

Custo, contexto e implantação: o placar não paga a conta sozinho

Preço por token é só parte do custo total. O guia da OpenAI para GPT-5.5 recomenda que fluxos longos ou muito dependentes de ferramentas sejam comparados com outros modelos em precisão, consumo de tokens e latência de ponta a ponta; a documentação também mostra que o reasoning effort do GPT-5.5 pode ir de none a xhigh.

Como testar antes de colocar em produção

Benchmarks públicos ajudam a reduzir a lista de candidatos, mas não substituem avaliação privada. Um teste sério deve registrar pelo menos quatro dimensões: taxa de sucesso, tipos de falha, latência de ponta a ponta e custo total em tokens, incluindo retentativas. A própria documentação da OpenAI recomenda comparar modelos em precisão, consumo de tokens e latência de ponta a ponta em fluxos longos ou intensivos em ferramentas.

Testes individuais podem ser úteis como sinal complementar, desde que não sejam tratados como ranking definitivo. Em um teste de codificação publicado pelo AkitaOnRails em abril de 2026, Claude Opus 4.7 marcou 97, GPT-5.5 xHigh Codex marcou 96, Kimi K2.6 marcou 87 e DeepSeek V4 Pro marcou 69; a mesma tabela registrou custos estimados de cerca de US$ 1,10 para Claude Opus 4.7, US$ 10 para GPT-5.5 xHigh Codex, US$ 0,30 para Kimi K2.6 e US$ 0,50 para DeepSeek V4 Pro.

O valor desse tipo de teste não é “provar” um campeão universal. Ele lembra que a escolha final depende do seu repositório real, das permissões de ferramentas, do desenho dos prompts, do padrão de revisão e do custo de corrigir falhas.

Veredito

Se você precisa escolher apenas um modelo para iniciar uma rodada de avaliação, comece por GPT-5.5. Ele aparece bem posicionado tanto no índice geral da Artificial Analysis quanto no Terminal-Bench 2.0 resumido pela VentureBeat.

Se o trabalho envolve documentos longos, pesquisa, finanças, análise multi-etapas ou necessidade de maior disciplina de dados, Claude Opus 4.7 deve estar na primeira lista. Os dados internos divulgados pela Anthropic e os resultados de HLE resumidos pela VentureBeat sustentam essa candidatura.

Se a principal restrição é volume e orçamento, DeepSeek V4 é o candidato mais óbvio para traçar uma curva de custo versus qualidade. Os preços públicos resumidos mostram uma diferença grande em relação a GPT-5.5 e Claude Opus 4.7.

Se a exigência é open weights, entrada multimodal ou contexto de 256K, Kimi K2.6 merece avaliação cuidadosa. Ao mesmo tempo, ainda falta uma comparação pública completa e homogênea entre ele, GPT-5.5, Claude Opus 4.7 e DeepSeek V4.

A conclusão mais segura é pragmática: use os benchmarks públicos para decidir por onde começar; use suas tarefas reais para decidir o que vai para produção. Ranking ajuda a encurtar o caminho, mas não substitui a conta concreta de qualidade, custo e latência.