Kimi K2.6, DeepSeek V4, GPT-5.5 или Claude Opus 4.7: бенчмарки, цена и выбор

Но читать таблицы нужно осторожно. В одних сравнениях модели работают с инструментами, в других — без них; где-то включены режимы high effort, max effort или thinking, а где-то сравниваются разные варианты одной линейки .

Короткий вердикт

Что показывают бенчмарки

Humanity’s Last Exam, или HLE, — мультимодальный академический тест из 2 500 вопросов по математике, гуманитарным и естественным наукам; он рассчитан на проверяемые ответы и задачи на границе возможностей LLM . SWE-Bench Pro оценивает инженерные навыки на многоязычных задачах из реальных issues GitHub, как это описано в сравнении DocsBot . Terminal-Bench 2.0 в данных VentureBeat фигурирует среди агентных и software-engineering результатов .

Практический вывод такой: Claude Opus 4.7 даёт лучшую общую заявку на качество в сопоставимых данных, GPT-5.5 заметно выделяется в Terminal-Bench 2.0, Kimi K2.6 интересен соотношением результата и цены в кодинге, а DeepSeek V4 сильнее всего выглядит там, где важны стоимость и длинный контекст .

Цена и контекст: счета выставляют не бенчмарки

В агентных сценариях один пользовательский запрос может запускать много обращений к модели. Поэтому разница в цене за токены иногда важнее, чем несколько пунктов в лидерборде. Доступные источники ставят Kimi K2.6 и DeepSeek V4 в более агрессивную ценовую зону, а GPT-5.5 и Claude Opus 4.7 — ближе к премиальному сегменту .

По Claude есть важное расхождение: отдельная карточка Artificial Analysis указывает $5/$25 и контекст 1 млн токенов, тогда как таблица CodeRouter, использованная для сравнения с Kimi, приводит для Claude другие значения . Для продакшн-бюджета лучше всегда проверять актуальный прайс и условия именно вашего провайдера.

Как выбрать под задачу

Claude Opus 4.7 — если ошибка дорого стоит

Claude Opus 4.7 — разумная первая проверка для сложного ревью кода, длинного анализа и задач, где обнаружение скрытых дефектов важнее экономии на токенах. За него говорят преимущество на HLE перед GPT-5.5 и DeepSeek V4, лидерство на SWE-Bench Pro по данным CodeRouter и оценка Artificial Analysis, где модель входит в число лидеров по интеллекту, хотя отмечены высокая стоимость, задержки и многословность . Также Artificial Analysis указывает для Opus 4.7 контекст 1 млн токенов и доступность через Anthropic API, Amazon Bedrock, Microsoft Azure и Google Vertex .

GPT-5.5 — если работа завязана на OpenAI и терминал

GPT-5.5 не обходит Claude Opus 4.7 на HLE в данных VentureBeat, зато имеет лучший доступный результат на Terminal-Bench 2.0: 82,7% против 69,4% у Claude Opus 4.7 и 67,9% у DeepSeek V4 . Если команда уже работает в ChatGPT или Codex, практическое руководство рассматривает GPT-5.5 как естественный маршрут для проверки перед полной миграцией на другого поставщика .

Kimi K2.6 — если нужен сильный кодинг дешевле

Kimi K2.6 — самый понятный случай цена/качество в доступных источниках: CodeRouter ставит его вровень с GPT-5.5 на SWE-Bench Pro с 58,6% и указывает цену $0,60/$4,00 за 1 млн токенов . Окно в 256 тыс. токенов меньше, чем 1 млн у GPT-5.5 и DeepSeek V4-Pro в той же таблице, но его может хватить, если ваш кодовый контекст помещается в эту рамку . Если нужен запуск на своей инфраструктуре, Verdent пишет, что веса K2.6 есть на Hugging Face и работают через vLLM, SGLang или KTransformers; минимально жизнеспособная конфигурация для INT4-варианта при уменьшенном контексте — 4× H100 .

DeepSeek V4 — если узкое место в бюджете и длине контекста

DeepSeek V4 Pro/Pro-Max уступает Claude Opus 4.7 и GPT-5.5 на HLE, Terminal-Bench 2.0 и SWE-Bench Pro в цифрах VentureBeat, но сочетание цены и контекста 1 млн токенов делает его конкурентным для высокообъёмных пайплайнов . Если цель — минимальная стоимость вызовов, V4 Flash выглядит ещё дешевле в CodeRouter, однако его нужно рассматривать как отдельный вариант, а не как прямую замену V4-Pro .

Перед миграцией: четыре оговорки

1. Цифры не всегда сравнивают одну и ту же конфигурацию. HLE встречается с инструментами и без них, а другие источники используют режимы high effort, max effort или thinking .
2. Варианты моделей нельзя смешивать. GPT-5.5 — не то же самое, что GPT-5.5 Pro; DeepSeek V4-Pro, V4-Pro-Max и V4 Flash тоже не стоит считать одной моделью .
3. Цены и лидерборды быстро устаревают. Verdent прямо предупреждает, что такие числа могут быстро потерять актуальность на фоне непрерывных релизов .
4. Решает ваш реальный сценарий. Практическая рекомендация — прогнать одну и ту же задачу на кандидатах перед сменой маршрута, а не выбирать модель только по самому громкому запуску недели .

Итог

Если нужна максимальная надёжность на сложных задачах, первым стоит проверять Claude Opus 4.7. Если важны терминал, агентные цепочки и совместимость с рабочими привычками OpenAI — GPT-5.5. Если нужен конкурентный кодинг при заметно меньшей цене — Kimi K2.6. Если главный ограничитель — много дешёвых вызовов и длинный контекст, имеет смысл валидировать DeepSeek V4-Pro или V4 Flash, помня, что они не лидируют в самых жёстких доступных бенчмарках .