GPT-5.5 или Claude Opus 4.7: какая модель лучше для программирования

Что показывают ключевые бенчмарки

Важно не смешивать разные тесты в одну «таблицу чемпионов». SWE-bench Verified проверяет 500 реальных GitHub-issue из популярных Python-репозиториев: модель должна предложить патч, который исправляет баг и не ломает существующие тесты. SWE-Bench Pro, по описанию OpenAI, шире: он охватывает четыре языка и устроен как более устойчивый к загрязнению, сложный, разнообразный и ближе к индустрии benchmark.

Когда GPT-5.5 выглядит практичнее

GPT-5.5 стоит поставить в начало очереди, если вы строите или используете coding agent, который работает примерно так же, как разработчик в консоли:

• запускает build, lint, unit-тесты или CI-команды;
• читает stack trace, stderr/stdout и длинные test logs;
• меняет файлы, затем снова прогоняет проверки;
• разбирается с CLI-скриптами, зависимостями, конфигами и pipeline;
• действует циклом: план → команда → лог → патч → повторный тест.

Здесь главный аргумент — Terminal-Bench 2.0: в таблице VentureBeat GPT-5.5 получает 82,7%, тогда как Claude Opus 4.7 — 69,4%. Поскольку OpenAI связывает Terminal-Bench 2.0 именно с терминальными навыками, нужными coding agent, этот показатель особенно важен для задач, где модель не просто пишет фрагмент кода, а работает через командную строку.

Но это не означает, что GPT-5.5 автоматически лучше для любого pull request. На SWE-Bench Pro Claude Opus 4.7, по данным FactCheckRadar, выше: 64,3% против 58,6% у GPT-5.5.

Когда Claude Opus 4.7 выглядит практичнее

Claude Opus 4.7 разумно пробовать первым, если задача требует много контекста и аккуратного многошагового рассуждения по кодовой базе:

• нужно прочитать десятки файлов, чтобы понять архитектуру;
• баг проходит через несколько модулей и слоёв абстракции;
• требуется рефакторинг без изменения поведения;
• нужно подготовить PR с объяснением trade-off, рисков и плана тестирования;
• в prompt попадают документация, issue, логи, output тестов и внутренние соглашения команды.

Anthropic прямо описывает Claude Opus 4.7 как модель для coding и ИИ-агентов и указывает контекстное окно 1 млн токенов. Для больших репозиториев это может быть решающим преимуществом: модель получает больше исходного материала в одном сеансе и меньше вынуждена «догадываться» о соседних файлах.

Дополнительный сигнал — SWE-Bench Pro: FactCheckRadar сообщает, что Claude Opus 4.7 набирает 64,3%, а GPT-5.5 — 58,6%. Если смотреть на SWE-bench Verified отдельно, MindStudio приводит для Claude Opus 4.7 результат 82,4%. Однако в приведённых источниках нет сопоставимого результата GPT-5.5 на тех же условиях, поэтому этот показатель лучше воспринимать как сильный отдельный сигнал по Claude, а не как доказательство победы во всех coding-сценариях.

Не путайте GPT-5.5 с Codex-моделями

В экосистеме OpenAI есть отдельная линейка Codex. Например, GPT-5.1-Codex-Max, по описанию OpenAI, обучался на реальных задачах software engineering: создании PR, code review, frontend coding и Q&A; OpenAI также пишет, что модель превосходит предыдущие модели компании на ряде frontier coding evaluations.

Это важно, если вы выбираете инструмент внутри OpenAI-стека — ChatGPT, Codex, CLI, IDE-интеграции. Но это не отвечает напрямую на вопрос «GPT-5.5 или Claude Opus 4.7». Для production-сценария сравнивать нужно не бренд, а конкретную модель, конкретный интерфейс, одинаковый доступ к инструментам и одинаковые ограничения по времени/стоимости.

Быстрый выбор по задачам

Как проверить на своём репозитории за 30–60 минут

Если модель выбирается для команды, не ограничивайтесь leaderboard. Быстрый A/B-тест на вашем коде даст больше пользы, чем спор о среднем результате по рынку.

1. Возьмите 3–5 типовых задач. Например: реальный баг, небольшой рефакторинг, написание тестов, code review и задача с длинным логом.
2. Дайте обеим моделям одинаковые условия. Один prompt, один набор файлов, одинаковый доступ к терминалу или инструментам, одинаковый лимит времени.
3. Оценивайте не красоту ответа, а результат. Проходят ли тесты? Не раздулся ли diff? Не выдумала ли модель несуществующий API? Сколько раз человеку пришлось вмешиваться?
4. Запишите стоимость, задержку и стабильность. Модель может выигрывать benchmark, но быть слишком дорогой, медленной или непредсказуемой для ежедневного workflow.

Итог

Если ваш рабочий процесс завязан на терминал, команды, тесты и повторные исправления, GPT-5.5 — более логичный первый кандидат по доступным данным Terminal-Bench 2.0. Если вы работаете с большими репозиториями, длинными issue, рефакторингом и большим контекстом, Claude Opus 4.7 — более логичный первый кандидат благодаря 1 млн токенов контекста и более высокому результату на SWE-Bench Pro в доступном сравнении.

Но финальный выбор для production лучше делать не по одному числу. Запустите короткий A/B-тест на своём репозитории — именно там станет видно, какая модель меньше ошибается, быстрее доводит патч до зелёных тестов и лучше вписывается в работу вашей команды.