GPT-5.5, Claude Opus 4.7, DeepSeek V4 e Kimi K2.6: o que os benchmarks permitem concluir

Já a documentação pública da Anthropic para o Claude Opus 4.7 se concentra em recursos e formas de chamada da API, como o beta de

task budgets

O cruzamento mais seguro: Terminal-Bench 2.0

Entre as fontes disponíveis aqui, o ponto de comparação comum em que os quatro modelos têm números públicos é o Terminal-Bench 2.0. Nesse recorte, a ordem fica assim:

Essa tabela sustenta uma conclusão estreita, mas útil: em Terminal-Bench 2.0, GPT-5.5 aparece claramente à frente; Claude Opus 4.7 vem em segundo; DeepSeek V4-Pro Max e Kimi K2.6 Thinking ficam próximos.

O que ela não sustenta: dizer que GPT-5.5 é necessariamente superior em todos os cenários de produto, ou substituir um reteste controlado com o mesmo conjunto de prompts, ferramentas, tamanho de contexto e orçamento de raciocínio.

GPT-5.5 vs. Claude Opus 4.7 na tabela da OpenAI

A página de lançamento da OpenAI traz comparações entre GPT-5.5 e Claude Opus 4.7 em vários benchmarks. Nos itens listados pela OpenAI, GPT-5.5 aparece com pontuação maior que Claude Opus 4.7.

A leitura prudente é: dentro da tabela da OpenAI, nos benchmarks listados, GPT-5.5 supera Claude Opus 4.7.

O system card da OpenAI também posiciona o GPT-5.5 como um modelo voltado a trabalho real complexo, incluindo escrever código, pesquisar online, analisar informações, criar documentos e planilhas, e atuar entre ferramentas para concluir tarefas.

Ainda assim, essa é uma comparação publicada pela OpenAI. Ela não equivale a uma avaliação independente dos quatro modelos sob o mesmo harness — isto é, o mesmo conjunto de regras, ambiente, permissões e critérios de medição.

DeepSeek V4-Pro Max vs. Kimi K2.6 Thinking na tabela da DeepSeek

O model card do DeepSeek V4-Pro apresenta uma comparação direta entre DS-V4-Pro Max e K2.6 Thinking em vários testes. Nessa tabela, o DeepSeek V4-Pro Max fica à frente na maioria dos itens, mas Kimi também tem vitórias claras.

A leitura mais segura é: nos itens listados no model card da DeepSeek, DS-V4-Pro Max supera K2.6 Thinking na maioria dos benchmarks; Kimi K2.6 Thinking lidera em GPQA Diamond e SWE Pro.

Também vale cuidado com diferenças pequenas. Em MMLU-Pro e Terminal-Bench 2.0, por exemplo, as pontuações estão próximas; numa decisão de produto, a direção da liderança importa menos do que o tipo de tarefa que você realmente precisa resolver.

Por que não dá para fazer um ranking absoluto dos quatro?

O erro mais comum é pegar uma tabela da OpenAI, outra da DeepSeek e uma página de documentação da Anthropic, somar tudo e declarar um campeão. As fontes públicas disponíveis não dão base para isso por três razões:

1. As versões não batem. A tabela da OpenAI compara GPT-5.5 com Claude Opus 4.7; a tabela da DeepSeek usa GPT-5.4 xHigh e Opus-4.6 Max nas colunas de GPT e Claude.
2. As fontes não são equivalentes. O material vem de página de lançamento, system card, documentação de API e model card — não de uma rodada única de testes feita por uma mesma terceira parte.
3. Os indicadores medem coisas diferentes. GDPval, BrowseComp, FrontierMath, CyberGym, MMLU-Pro, GPQA Diamond e SWE Pro avaliam habilidades distintas. Sem pesos claros, transformar tudo em uma nota única pode esconder diferenças importantes entre tarefas.

Em outras palavras: benchmark público é um bom filtro inicial, mas não deve ser o único critério para compra, arquitetura ou troca de modelo em produção.

Como usar esses números na escolha de produto

Uma forma mais prática de ler os dados é separar a análise em três camadas:

• Camada de benchmark compartilhado. O cruzamento mais claro entre os quatro modelos é Terminal-Bench 2.0; nesse item, GPT-5.5 lidera.
• Camada de comparação dentro da tabela de cada fornecedor. A tabela da OpenAI mostra GPT-5.5 acima de Claude Opus 4.7 nos itens listados; o model card da DeepSeek mostra DS-V4-Pro Max acima de K2.6 Thinking na maioria dos itens listados.
• Camada de reteste do seu caso real. Separe suas tarefas em dimensões como programação, agentes, raciocínio, busca/recuperação, uso de ferramentas, latência e custo. Depois, rode os modelos com os mesmos prompts, o mesmo contexto, as mesmas permissões e os mesmos critérios de avaliação.

Se o produto depende de ciclos longos de agentes — por exemplo, várias chamadas de ferramenta antes de uma resposta final — o recurso

task budgets

Se o caso de uso está mais perto de programação complexa, pesquisa online, geração de documentos ou planilhas e trabalho entre ferramentas, a descrição do GPT-5.5 no system card da OpenAI conversa diretamente com esses cenários. Mesmo assim, desempenho em tabela pública não substitui teste no seu repositório, com sua cadeia de ferramentas, suas permissões e suas regras de recuperação de falhas.

A forma mais honesta de resumir o ranking

• Terminal-Bench 2.0 isoladamente: GPT-5.5 em primeiro, Claude Opus 4.7 em segundo, DeepSeek V4-Pro Max em terceiro e Kimi K2.6 Thinking em quarto.
• Dentro da tabela da OpenAI: GPT-5.5 aparece acima de Claude Opus 4.7 nos benchmarks listados.
• Dentro da tabela da DeepSeek: DS-V4-Pro Max aparece acima de Kimi K2.6 Thinking na maioria dos itens, mas Kimi lidera em GPQA Diamond e SWE Pro.
• Ranking absoluto dos quatro: evidência insuficiente. Ainda não há, nas fontes citadas, um teste completo dos quatro modelos com a mesma terceira parte, as mesmas versões e as mesmas condições de avaliação.