Primeiro, separe posicionamento oficial de comparação direta

A documentação da OpenAI descreve o GPT-5.5 como o modelo de fronteira mais recente da empresa para trabalhos profissionais complexos e mostra que ele aceita o controle reasoning.effort. Já a página oficial da Anthropic para o Claude Opus 4.7 enfatiza melhorias em chamadas de ferramentas, planejamento e engenharia de software, incluindo um salto de dois dígitos em precisão de tool calls e planejamento citado pela Hebbia, além de 3 vezes mais tarefas de produção resolvidas no Rakuten-SWE-Bench em relação ao Opus 4.6.

Esses materiais oficiais explicam como cada empresa quer posicionar seu modelo. A comparação direta usada aqui vem principalmente de resumos de terceiros, como Vellum, Kingy AI e Mashable, e não de uma tabela única publicada em conjunto por OpenAI e Anthropic.

Placar rápido: quem vence em cada benchmark

Os números centrais abaixo vêm do resumo lado a lado da Vellum sobre o GPT-5.5. A ordenação do GPQA Diamond também aparece no leaderboard da Vellum.

Código e correção real: Claude merece o primeiro teste

A vantagem mais clara do Claude aparece no SWE-Bench Pro: 64,3% para Claude Opus 4.7 contra 58,6% para GPT-5.5, uma diferença de 5,7 pontos percentuais. Para equipes que precisam corrigir bugs em bases grandes, entender dependências entre arquivos, gerar patches e revisar pull requests complexos, isso é um sinal forte para colocar Claude Opus 4.7 na primeira rodada de testes.

Há outro indício na mesma direção. A BenchLM descreve o SWE-bench Verified como um subconjunto verificado por humanos do SWE-bench, voltado a medir a capacidade de modelos resolverem issues reais do GitHub, e lista Claude Opus 4.7 Adaptive com 87,6%. Mas essa fonte não traz uma pontuação do GPT-5.5 no mesmo recorte; portanto, ela não prova, sozinha, que Claude vence GPT-5.5 no SWE-bench Verified. A leitura mais segura é que Claude Opus 4.7 está entre os candidatos mais fortes para correção real de software.

Terminal, navegador e agentes: GPT-5.5 tem mais vitórias visíveis

Do outro lado, o maior salto público do GPT-5.5 aparece no Terminal-Bench 2.0: 82,7% contra 69,4% de Claude Opus 4.7, vantagem de 13,3 pontos percentuais. O GPT-5.5 também lidera no BrowseComp, no GDPval e no OSWorld-Verified, com 84,4% contra 79,3%, 84,9% contra 80,3% e 78,7% contra 78,0%, respectivamente.

Na prática, se o seu produto depende de shell, navegador, sistema de arquivos, operações de sistema ou automações em várias etapas, GPT-5.5 é um candidato natural para começar. Só não transforme isso em regra absoluta para todo agente. No MCP Atlas, Claude Opus 4.7 marca 79,1%, acima dos 75,3% do GPT-5.5; e a própria Anthropic destaca avanços do Claude Opus 4.7 em tool calling e planejamento.

Tarefas profissionais, raciocínio e matemática: depende da prova

Em benchmarks de tarefas profissionais, o resultado também não é unilateral. O resumo da Vellum mostra GPT-5.5 à frente no GDPval, com 84,9% contra 80,3% de Claude Opus 4.7. Já a Kingy AI aponta vantagem do Claude Opus 4.7 no FinanceAgent v1.1, com 64,4% contra 60,0%, enquanto GPT-5.5 lidera no OfficeQA Pro, com 54,1% contra 43,6%.

Em raciocínio e matemática, a escolha também muda conforme o tipo de problema. No GPQA Diamond, Claude Opus 4.7 aparece com 94,2%, contra 93,6% do GPT-5.5 — vantagem pequena, de 0,6 ponto percentual. Já no FrontierMath T1–3, GPT-5.5 chega a 51,7%, contra 43,8% de Claude Opus 4.7, abrindo 7,9 pontos percentuais.

O Humanity’s Last Exam mostra por que é preciso cuidado com resumos públicos. A Kingy AI registra, no modo sem ferramentas, 41,4% para GPT-5.5 e 46,9% para Claude Opus 4.7; a Mashable, também no item sem ferramentas, informa 40,6% para GPT-5.5 e 31,2% para Claude Opus 4.7. Como há divergência relevante entre fontes, esse benchmark não deve ser usado como evidência central para escolher um dos dois modelos.

Como escolher sem cair na armadilha do campeão geral

Se o seu caso principal é correção de código em nível de repositório, issues reais do GitHub, PRs complexos ou geração de patches, comece testando Claude Opus 4.7. O SWE-Bench Pro e o SWE-bench Verified sustentam a leitura de que ele é muito competitivo em engenharia de software real.

Se o seu caso principal envolve execução em terminal, busca e navegação, operações no sistema operacional, agentes de automação ou tarefas profissionais cobertas pelo GDPval, comece por GPT-5.5. Ele lidera publicamente no Terminal-Bench 2.0, BrowseComp, OSWorld-Verified e GDPval.

Se o fluxo mistura código, ferramentas, planejamento longo, análise de documentos e geração de relatórios, os dois devem entrar na lista curta. GPT-5.5 vence em várias métricas de execução; Claude Opus 4.7 se destaca no SWE-Bench Pro, no MCP Atlas e na narrativa oficial da Anthropic sobre planejamento e uso de ferramentas.

Checklist antes de colocar em produção

Use benchmarks públicos para reduzir o campo de escolha. Para decidir de fato, monte um conjunto de tarefas reais, oculte o nome dos modelos, use o mesmo prompt, as mesmas permissões de ferramenta, o mesmo orçamento de contexto, o mesmo limite de tempo e o mesmo critério de pontuação. Se testar GPT-5.5, fixe também parâmetros como reasoning.effort, já que a documentação da OpenAI indica suporte a esse controle.

Na avaliação, não olhe apenas a média. Registre pelo menos quatro coisas: se a tarefa foi concluída, se a resposta é verificável, quanto trabalho humano foi necessário para corrigir a saída e qual foi o custo em latência e chamadas. Para um sistema em produção, errar menos nas tarefas críticas costuma valer mais do que vencer por alguns pontos em um ranking que não representa o seu uso. A conclusão dos dados públicos é clara o bastante: GPT-5.5 e Claude Opus 4.7 não têm um vencedor absoluto; têm pontos fortes diferentes para fluxos de trabalho diferentes.

Primeiro, separe posicionamento oficial de comparação direta

A documentação da OpenAI descreve o GPT-5.5 como o modelo de fronteira mais recente da empresa para trabalhos profissionais complexos e mostra que ele aceita o controle reasoning.effort. Já a página oficial da Anthropic para o Claude Opus 4.7 enfatiza melhorias em chamadas de ferramentas, planejamento e engenharia de software, incluindo um salto de dois dígitos em precisão de tool calls e planejamento citado pela Hebbia, além de 3 vezes mais tarefas de produção resolvidas no Rakuten-SWE-Bench em relação ao Opus 4.6.

Esses materiais oficiais explicam como cada empresa quer posicionar seu modelo. A comparação direta usada aqui vem principalmente de resumos de terceiros, como Vellum, Kingy AI e Mashable, e não de uma tabela única publicada em conjunto por OpenAI e Anthropic.

Placar rápido: quem vence em cada benchmark

Os números centrais abaixo vêm do resumo lado a lado da Vellum sobre o GPT-5.5. A ordenação do GPQA Diamond também aparece no leaderboard da Vellum.

Código e correção real: Claude merece o primeiro teste

A vantagem mais clara do Claude aparece no SWE-Bench Pro: 64,3% para Claude Opus 4.7 contra 58,6% para GPT-5.5, uma diferença de 5,7 pontos percentuais. Para equipes que precisam corrigir bugs em bases grandes, entender dependências entre arquivos, gerar patches e revisar pull requests complexos, isso é um sinal forte para colocar Claude Opus 4.7 na primeira rodada de testes.

Há outro indício na mesma direção. A BenchLM descreve o SWE-bench Verified como um subconjunto verificado por humanos do SWE-bench, voltado a medir a capacidade de modelos resolverem issues reais do GitHub, e lista Claude Opus 4.7 Adaptive com 87,6%. Mas essa fonte não traz uma pontuação do GPT-5.5 no mesmo recorte; portanto, ela não prova, sozinha, que Claude vence GPT-5.5 no SWE-bench Verified. A leitura mais segura é que Claude Opus 4.7 está entre os candidatos mais fortes para correção real de software.

Terminal, navegador e agentes: GPT-5.5 tem mais vitórias visíveis

Do outro lado, o maior salto público do GPT-5.5 aparece no Terminal-Bench 2.0: 82,7% contra 69,4% de Claude Opus 4.7, vantagem de 13,3 pontos percentuais. O GPT-5.5 também lidera no BrowseComp, no GDPval e no OSWorld-Verified, com 84,4% contra 79,3%, 84,9% contra 80,3% e 78,7% contra 78,0%, respectivamente.

Na prática, se o seu produto depende de shell, navegador, sistema de arquivos, operações de sistema ou automações em várias etapas, GPT-5.5 é um candidato natural para começar. Só não transforme isso em regra absoluta para todo agente. No MCP Atlas, Claude Opus 4.7 marca 79,1%, acima dos 75,3% do GPT-5.5; e a própria Anthropic destaca avanços do Claude Opus 4.7 em tool calling e planejamento.

Tarefas profissionais, raciocínio e matemática: depende da prova

Em benchmarks de tarefas profissionais, o resultado também não é unilateral. O resumo da Vellum mostra GPT-5.5 à frente no GDPval, com 84,9% contra 80,3% de Claude Opus 4.7. Já a Kingy AI aponta vantagem do Claude Opus 4.7 no FinanceAgent v1.1, com 64,4% contra 60,0%, enquanto GPT-5.5 lidera no OfficeQA Pro, com 54,1% contra 43,6%.

Em raciocínio e matemática, a escolha também muda conforme o tipo de problema. No GPQA Diamond, Claude Opus 4.7 aparece com 94,2%, contra 93,6% do GPT-5.5 — vantagem pequena, de 0,6 ponto percentual. Já no FrontierMath T1–3, GPT-5.5 chega a 51,7%, contra 43,8% de Claude Opus 4.7, abrindo 7,9 pontos percentuais.

O Humanity’s Last Exam mostra por que é preciso cuidado com resumos públicos. A Kingy AI registra, no modo sem ferramentas, 41,4% para GPT-5.5 e 46,9% para Claude Opus 4.7; a Mashable, também no item sem ferramentas, informa 40,6% para GPT-5.5 e 31,2% para Claude Opus 4.7. Como há divergência relevante entre fontes, esse benchmark não deve ser usado como evidência central para escolher um dos dois modelos.

Como escolher sem cair na armadilha do campeão geral

Se o seu caso principal é correção de código em nível de repositório, issues reais do GitHub, PRs complexos ou geração de patches, comece testando Claude Opus 4.7. O SWE-Bench Pro e o SWE-bench Verified sustentam a leitura de que ele é muito competitivo em engenharia de software real.

Se o seu caso principal envolve execução em terminal, busca e navegação, operações no sistema operacional, agentes de automação ou tarefas profissionais cobertas pelo GDPval, comece por GPT-5.5. Ele lidera publicamente no Terminal-Bench 2.0, BrowseComp, OSWorld-Verified e GDPval.

Se o fluxo mistura código, ferramentas, planejamento longo, análise de documentos e geração de relatórios, os dois devem entrar na lista curta. GPT-5.5 vence em várias métricas de execução; Claude Opus 4.7 se destaca no SWE-Bench Pro, no MCP Atlas e na narrativa oficial da Anthropic sobre planejamento e uso de ferramentas.

Checklist antes de colocar em produção

Use benchmarks públicos para reduzir o campo de escolha. Para decidir de fato, monte um conjunto de tarefas reais, oculte o nome dos modelos, use o mesmo prompt, as mesmas permissões de ferramenta, o mesmo orçamento de contexto, o mesmo limite de tempo e o mesmo critério de pontuação. Se testar GPT-5.5, fixe também parâmetros como reasoning.effort, já que a documentação da OpenAI indica suporte a esse controle.

Na avaliação, não olhe apenas a média. Registre pelo menos quatro coisas: se a tarefa foi concluída, se a resposta é verificável, quanto trabalho humano foi necessário para corrigir a saída e qual foi o custo em latência e chamadas. Para um sistema em produção, errar menos nas tarefas críticas costuma valer mais do que vencer por alguns pontos em um ranking que não representa o seu uso. A conclusão dos dados públicos é clara o bastante: GPT-5.5 e Claude Opus 4.7 não têm um vencedor absoluto; têm pontos fortes diferentes para fluxos de trabalho diferentes.