GPT-5.5 vs Claude Opus 4.7 vs Kimi K2.6 vs DeepSeek V4-Pro

O retrato dos benchmarks públicos

A tabela abaixo reúne apenas números citáveis nas fontes fornecidas. Traço não significa que o modelo seja fraco naquele ponto; significa apenas que não há, aqui, uma pontuação comparável e citável para a mesma coluna. E o ponto principal: esses resultados não vêm todos do mesmo harness oficial, com as mesmas permissões de ferramentas e o mesmo nível de esforço de raciocínio.

Por que não dá para montar um ranking geral justo?

Há três armadilhas metodológicas importantes.

A primeira é a origem dos dados. Os números de GPT-5.5 em Terminal-Bench 2.0 e SWE-Bench Pro vêm de reportagem que repassa benchmarks fornecidos pela OpenAI; os números de Claude Opus 4.7 em SWE-Bench Pro, SWE-Bench Verified e Terminal-Bench 2.0 vêm de uma consolidação secundária que cita a AWS; já parte dos resultados de Kimi K2.6 e DeepSeek V4-Pro vem de cartões de modelo no Hugging Face.

A segunda é a permissão de ferramentas. Um exemplo em HLE mostra como a ordem muda: sem ferramentas, Claude Opus 4.7 aparece com 46,9%, contra 42,7% de GPT-5.4 Pro; com ferramentas, GPT-5.4 Pro aparece com 58,7%, contra 54,7% de Claude Opus 4.7. Isso não é uma pontuação de GPT-5.5, mas mostra por que avaliações com e sem ferramentas não devem ser misturadas no mesmo ranking.

A terceira é configuração de versão, custo e esforço. DeepSeek V4 é oferecido como V4-Pro e V4-Flash, e uma reportagem da Yahoo Finance descreve o V4-Flash como a opção mais eficiente e econômica; as notas detalhadas usadas aqui são principalmente de DeepSeek-V4-Pro. A Artificial Analysis também separa GPT-5.5 por variantes de effort e afirma que GPT-5.5 xhigh custa cerca de 20% mais que a geração anterior em seu Index, mas 30% menos que Claude Opus 4.7 max.

GPT-5.5: forte para terminal e contexto longo

O ponto mais nítido de GPT-5.5 nesta comparação é Terminal-Bench 2.0. Segundo reportagem da Yahoo Finance/Investing.com, benchmarks fornecidos pela OpenAI indicam 82,7% de acurácia no Terminal-Bench 2.0, teste voltado a workflows de linha de comando; o mesmo texto aponta 58,6% no SWE-Bench Pro, descrito como uma avaliação de resolução de issues do GitHub.

A tabela de contexto longo da OpenAI também traz números específicos. GPT-5.5 registra 73,7 em Graphwalks BFS 256k e 45,4 em 1M; em Graphwalks parents, registra 90,1 em 256k e 58,5 em 1M. A mesma tabela mostra GPT-5.4 com 9,4 em Graphwalks BFS 1M, contra 45,4 de GPT-5.5.

Em avaliação de terceiros, a Artificial Analysis descreve GPT-5.5 como o novo modelo líder e diz que a OpenAI lidera cinco de suas avaliações principais, ficando atrás do Gemini 3.1 Pro Preview em três. O mesmo texto afirma que GPT-5.5 xhigh usa cerca de 40% menos tokens de saída do que o antecessor para rodar o Index da empresa.

Onde testar primeiro: automação em CLI, agentes de terminal, busca e raciocínio em contexto longo, além de workflows agentic de programação em que o uso de tokens de saída pesa no custo.

Claude Opus 4.7: coding forte, visão e computer use com evidência mais direta

A documentação da Anthropic é especialmente clara sobre visão e operação de interfaces. Ela diz que a mudança deve liberar ganhos de performance em workloads com visão e é particularmente importante para computer use, screenshots, artifacts e entendimento de documentos. Também afirma que as coordenadas do modelo agora correspondem 1:1 aos pixels reais, eliminando cálculos de escala.

A página de lançamento da Anthropic cita um benchmark de acuidade visual da XBOW em que Claude Opus 4.7 chega a 98,5%, contra 54,5% de Opus 4.6. Isso dá a Claude Opus 4.7 a evidência mais concreta, entre os quatro modelos aqui, para tarefas como leitura de screenshots, layout de documentos, navegação em desktop e agentes que precisam clicar ou apontar elementos de interface com precisão.

Em benchmarks de código, uma consolidação afirma que a AWS cita Claude Opus 4.7 com 64,3% no SWE-Bench Pro, 87,6% no SWE-Bench Verified e 69,4% no Terminal-Bench 2.0. Esses números colocam Claude à frente nas linhas de SWE-Bench disponíveis neste artigo, mas a origem é menos direta do que uma tabela oficial primária; antes de adotar, vale rodar o modelo no próprio repositório.

Há ainda um alerta de produção: a Anthropic informa que imagens em alta resolução usam mais tokens. Se a fidelidade extra não for necessária, a recomendação é reduzir a resolução antes de enviar as imagens ao Claude para evitar aumento no consumo de tokens.

Onde testar primeiro: correção de issues em repositórios, agentes de programação, leitura de screenshots e documentos, computer-use agents e tarefas de UI que dependem de coordenadas de pixel precisas.

Kimi K2.6: candidato para agentes multimodais no Workers AI

O changelog da Cloudflare informa que Moonshot AI Kimi K2.6 ficou disponível no Workers AI em 20 de abril de 2026, com o ID de modelo @cf/moonshotai/kimi-k2.6, em uma parceria com suporte Day 0.

A mesma fonte descreve Kimi K2.6 como um modelo agentic multimodal nativo, com foco em long-horizon coding, design guiado por código, execução autônoma proativa e orquestração de tarefas baseada em swarm. A Cloudflare também diz que ele usa arquitetura Mixture-of-Experts, com 1T de parâmetros totais e 32B de parâmetros ativos por token.

Nas pontuações públicas, o cartão de modelo de Kimi K2.6 no Hugging Face lista 66,7 no Terminal-Bench 2.0, 58,6 no SWE-Bench Pro e 76,7 no SWE-Bench Multilingual. O MarkTechPost também reporta 80,2 no SWE-Bench Verified.

Onde testar primeiro: equipes que já rodam cargas no Cloudflare Workers AI e precisam de long-horizon coding, design orientado por código, fluxos agentic multimodais ou orquestração multiagente.

DeepSeek V4-Pro: melhor pacote público de notas em conhecimento e matemática

DeepSeek V4 aparece nas fontes em duas versões: V4-Pro e V4-Flash. Segundo reportagem da Yahoo Finance, a DeepSeek diz que o V4-Pro lidera de forma significativa outros modelos open-source em benchmarks de conhecimento de mundo e fica apenas ligeiramente atrás do Gemini-Pro-3.1, um modelo fechado de ponta; o mesmo texto descreve o V4-Flash como uma alternativa mais eficiente e econômica.

O cartão de modelo DeepSeek-V4-Pro no Hugging Face traz o conjunto mais completo de números desta comparação para conhecimento, matemática, código e terminal: GPQA Diamond 90,1; GSM8K 92,6; HLE 37,7; MMLU-Pro 87,5; SWE-Bench Pro 55,4; SWE-Bench Verified/Resolved 80,6; TerminalBench 2.0 67,9.

A CNBC relata que a DeepSeek afirma ter otimizado o V4 para ferramentas agentic populares, como Claude Code e OpenClaw. Wei Sun, analista principal de IA da Counterpoint, avalia que o perfil de benchmark do V4 sugere potencial para oferecer excelente capacidade agentic a custo significativamente menor.

Onde testar primeiro: times que priorizam modelos abertos, benchmarks de conhecimento e matemática, custo-benefício em agentes ou avaliação em ambiente local/autogerenciado.

Escolha por tarefa: a lista curta mais prática

• Automação em terminal e agentes de linha de comando: teste GPT-5.5 primeiro. Nos dados citáveis, GPT-5.5 marca 82,7% no Terminal-Bench 2.0, acima de Claude Opus 4.7 com 69,4%, DeepSeek V4-Pro com 67,9 e Kimi K2.6 com 66,7.
• Reparo de software e tarefas do tipo SWE-Bench Pro: comece por Claude Opus 4.7, mas rode no seu próprio repositório. Entre as notas disponíveis, Claude Opus 4.7 aparece com 64,3%, enquanto GPT-5.5 e Kimi K2.6 aparecem com 58,6 e DeepSeek V4-Pro com 55,4; a ressalva é que a nota de Claude vem de fonte secundária.
• Screenshots, documentos e computer use: priorize Claude Opus 4.7. A documentação da Anthropic fala diretamente em ganhos para workloads com visão, computer use e coordenadas 1:1, e a página de lançamento cita 98,5% de acuidade visual no benchmark da XBOW.
• Conhecimento, matemática e rota de modelo aberto: coloque DeepSeek V4-Pro na lista curta. O cartão do Hugging Face reúne GPQA Diamond, GSM8K, HLE, MMLU-Pro, SWE-Bench e TerminalBench 2.0 em uma mesma página de resultados.
• Fluxos agentic multimodais no Workers AI: avalie Kimi K2.6. A Cloudflare oferece suporte Day 0 ao Kimi K2.6 no Workers AI e o posiciona como modelo agentic multimodal nativo para long-horizon coding e orquestração baseada em swarm.

Antes de adotar, rode tudo sob as mesmas condições

Para chegar a uma decisão defensável, use o mesmo ID de modelo ou versão de API, o mesmo tamanho de contexto, as mesmas permissões de ferramentas, o mesmo nível de reasoning effort, a mesma temperatura, o mesmo orçamento de tokens e o mesmo harness de pontuação. Permissão de ferramenta é uma variável crítica, porque o exemplo em HLE mostra que resultados with tools e without tools podem inverter a leitura relativa dos modelos.

Custo também precisa entrar no teste junto com capacidade. A Artificial Analysis afirma que GPT-5.5 xhigh custa cerca de 20% mais que o antecessor em seu Index, mas 30% menos que Claude Opus 4.7 max, além de usar cerca de 40% menos tokens de saída que a geração anterior; a Anthropic, por sua vez, alerta que imagens de alta resolução consomem mais tokens. Em agentes de produção, latência, uso de tokens, sucesso em chamadas de ferramentas e taxa de correção de erros costumam importar tanto quanto uma pontuação isolada de benchmark.

O ponto principal

A comparação mais honesta hoje não é um ranking geral, e sim uma escolha por tarefa: Terminal-Bench favorece GPT-5.5; SWE-Bench, visão e computer use favorecem Claude Opus 4.7; conhecimento e matemática têm o melhor pacote público em DeepSeek V4-Pro; e workflows agentic multimodais no Workers AI colocam Kimi K2.6 na lista de candidatos. Só fará sentido cravar uma tabela geral quando os quatro modelos tiverem resultados completos no mesmo harness, com as mesmas versões e as mesmas permissões de ferramentas.