GPT-5.5 против Claude Opus 4.7 в программировании: что выбрать разработчику

Быстрый выбор по типу задачи

Где Claude Opus 4.7 выглядит сильнее

Claude Opus 4.7 стоит первым проверить там, где модель должна работать как аккуратный разработчик над уже существующим проектом: прочитать контекст, понять причину падения тестов, внести минимальное изменение и не сломать соседние части системы.

Главный публичный аргумент — SWE-bench Pro. В сводке по GPT-5.5 указано, что GPT-5.5 набирает 58,6%, уступая Claude Opus 4.7 с 64,3%; Anthropic также отдельно заявляет, что Opus 4.7 лидирует на SWE-bench Pro с результатом 64,3%.

Это совпадает и с позиционированием самой Anthropic. В релизных заметках от 16 апреля 2026 года компания описала Claude Opus 4.7 как свою наиболее способную общедоступную модель для сложного рассуждения и агентного программирования.

Есть и продуктовые детали, заточенные под длинные задачи. В Claude Opus 4.7 появилась бета-функция

task budgets

Практически это делает Claude Opus 4.7 особенно интересным для таких задач:

• воспроизвести и исправить баг в существующем репозитории;
• разобраться, почему падает тест, и внести минимальный патч;
• подготовить небольшой diff для ревью;
• работать с контекстом большой кодовой базы, а не просто писать функцию с нуля.

Но это не означает, что Claude автоматически лучше во всём, что называется кодингом. У SWE-bench есть несколько вариантов, и в отрасли справедливо обращают внимание на то, что вендоры могут выбирать самые выгодные для себя показатели. Поэтому публичный бенчмарк лучше воспринимать как фильтр для выбора кандидата, а не как финальный вердикт.

Где GPT-5.5 выглядит сильнее

У GPT-5.5 более явный сигнал в задачах, где важен не только сам код, но и управление рабочей средой через терминал. В таблице VentureBeat для Terminal-Bench 2.0 GPT-5.5 показан с результатом 82,7, тогда как Claude Opus 4.7 — с 69,4.

Это важно, потому что Terminal-Bench 2.0 описывается как тест сложных workflow в командной строке, где нужны планирование, итерации и координация инструментов. Иначе говоря, это ближе к поведению агента, который запускает

npm test

GPT-5.5 стоит первым ставить в A/B-тест, если вам нужен агент для таких сценариев:

• многократный запуск сборки, тестов, линтеров и миграций;
• анализ логов и вывода терминала;
• выбор следующей команды на основе предыдущего результата;
• связка нескольких CLI-инструментов в один рабочий цикл;
• автоматизация среды разработки, где управление процессом важнее генерации отдельного фрагмента кода.

При этом высокий результат в Terminal-Bench 2.0 не доказывает, что GPT-5.5 всегда сделает лучший pull request. Умение управлять терминалом и умение выпустить маленький, безопасный, хорошо ревьюируемый патч пересекаются, но это не одна и та же метрика.

Tool-use тесты не дают простого победителя

Если смотреть на более широкие тесты с браузером и вызовами инструментов, преимущество не закрепляется за одной моделью. В материалах OpenAI по GPT-5.5 BrowseComp указан как 84,4% для GPT-5.5 и 79,3% для Claude Opus 4.7. Но в MCP Atlas соотношение обратное: 75,3% у GPT-5.5 и 79,1% у Claude Opus 4.7.

Поэтому фраза «модель хорошо пользуется инструментами» сама по себе мало что решает. Для разработчика важнее уточнить тип инструментов: это браузинг и поиск по документации, локальный терминал, файловая система, тестовый раннер, CI или полноценный агентный контур вокруг репозитория.

Три ошибки при чтении бенчмарков

Первая ошибка — читать общий рейтинг как рейтинг для программирования. Например, в overall ranking BenchLM GPT-5.4 указан с 88 баллами, а Claude Opus 4.7 — с 86 баллами. Но это GPT-5.4, а не GPT-5.5, и рейтинг не является специализированным тестом кодинга.

Вторая ошибка — делать вывод по одному SWE-bench числу. SWE-bench существует в нескольких вариантах, и разные стороны могут акцентировать те версии, где их модель выглядит сильнее.

Третья ошибка — приравнивать терминальный бенчмарк к качеству кода. Terminal-Bench 2.0 ближе к проверке того, как модель планирует и выполняет действия в командной строке. А вопрос, примет ли ревьюер итоговый patch, нужно проверять отдельно.

Как сравнить модели на практике

Публичные бенчмарки помогают выбрать, с кого начать. Но финальное решение лучше принимать на собственных задачах — особенно если речь о рабочем репозитории, где важны стиль проекта, тестовая инфраструктура, ограничения безопасности и скорость ревью.

Для честного A/B-теста дайте обеим моделям одинаковые условия:

• один и тот же репозиторий, ветка и commit;
• одно и то же описание issue и шаги воспроизведения;
• одинаковые команды для тестов, сборки и линтинга;
• одинаковые права на файлы, терминал и внешние инструменты;
• одинаковый лимит времени или токенов;
• одинаковые критерии ревью результата.

Оценивать стоит не только то, прошли ли тесты. Полезнее смотреть шире:

• прошли ли тесты с первой попытки;
• сколько потребовалось повторов и ручных подсказок;
• не получился ли diff чрезмерно большим;
• не появились ли регрессии по безопасности, типам или производительности;
• можно ли реально смержить результат после ревью;
• укладываются ли стоимость и задержка в ваш рабочий режим.

Итоговая рекомендация

Если ваша основная задача — исправлять issues, чинить баги, доводить тесты до прохождения и готовить патчи для pull request, начните с Claude Opus 4.7. Публичный сигнал SWE-bench Pro сейчас выглядит для него сильнее: 64,3% против 58,6% у GPT-5.5.

Если ваша задача — построить агента, который живёт в терминале, запускает команды, читает логи и итеративно управляет средой разработки, начните с GPT-5.5. В Terminal-Bench 2.0 он указан заметно выше Claude Opus 4.7: 82,7 против 69,4.

Самый безопасный вывод: для патчей в репозитории первым тестируйте Claude Opus 4.7, для CLI-агентов — GPT-5.5. А окончательно выбирайте ту модель, которая на вашем коде чаще доводит тесты до зелёного состояния и выдаёт diff, который команда действительно готова смержить.