DeepSeek V4 против GPT‑5.5: каким бенчмаркам верить и какую модель выбрать

Сравнение DeepSeek V4 и GPT‑5.5 лучше начинать не с вопроса, кто выиграл все рейтинги. Полезнее спросить иначе: какие данные достаточно надёжны, чтобы выбрать модель под реальную нагрузку — coding agent, работу с длинными документами, tool-use, поиск по файлам или ответы, где ошибка дорого стоит.

На текущем наборе публичных источников GPT‑5.5 выглядит более предсказуемым выбором для API-интеграции: OpenAI прямо указывает model ID gpt-5.5, окно контекста 1M токенов, максимум 128K output tokens, цену $5 за input MTok и $30 за output MTok, а также поддержку Functions, Web search, File search и Computer use . DeepSeek V4 Pro сильнее выделяется по другой линии: Artificial Analysis описывает его как open weights модель с text input/text output и контекстом 1m tokens .

Короткий вывод

Если вам нужен production API с понятными лимитами, ценой и официальным tool-use, начинать проще с GPT‑5.5. Ключевые параметры — context window, max output, стоимость и поддерживаемые инструменты — опубликованы в документации OpenAI .

Если вам принципиально нужны open weights, DeepSeek V4 Pro стоит включить в тестовый пул. Но важно не расширять это утверждение сверх источника: Artificial Analysis называет DeepSeek V4 Pro open weights; это само по себе не доказывает, что открыты обучающие данные, тренировочный код или весь pipeline .

Если вопрос звучит как какая модель объективно сильнее по всем бенчмаркам, честный ответ пока такой: публичных независимых данных, собранных в одинаковых условиях, недостаточно для окончательного вердикта. Есть отдельные фрагменты: результат SWE‑bench из стороннего источника , параметры и сравнения Artificial Analysis , а также API- и safety-документация OpenAI .

Что известно надёжнее всего

В документации DeepSeek есть страница DeepSeek‑V4 Preview Release с датой 24 апреля 2026 года . OpenAI представила GPT‑5.5 23 апреля 2026 года, а 24 апреля обновила публикацию: GPT‑5.5 и GPT‑5.5 Pro стали доступны в API . Релизы появились почти одновременно, но объём публичной технической информации по ним различается.

Критерий	GPT‑5.5	DeepSeek V4 Pro	Как это читать при выборе
Публичный статус	OpenAI представила GPT‑5.5 23 апреля 2026 года; API-доступ указан с 24 апреля 2026 года	В документации DeepSeek есть V4 Preview Release от 24 апреля 2026 года	По календарю модели вышли почти синхронно
API-параметры	gpt-5.5, context 1M, max output 128K, $5/input MTok, $30/output MTok, официальные tools	В доступных источниках для V4 Pro подтверждены text input/output и context 1m tokens	GPT‑5.5 проще считать по бюджету, output-лимитам и tool-use
Открытость	Artificial Analysis описывает GPT‑5.5 high как proprietary	Artificial Analysis описывает DeepSeek V4 Pro как open weights	DeepSeek логичнее, если open weights — обязательное условие
Окно контекста	OpenAI API docs указывают 1M tokens	Artificial Analysis указывает 1m tokens	У обеих моделей заявлен очень длинный контекст
Image input	В сравнении Artificial Analysis у GPT‑5.5 high отмечена поддержка image input	Там же для DeepSeek V4 Pro high указано отсутствие image input	Для multimodal input текущие данные склоняют выбор к GPT‑5.5
Tool support	Functions, Web search, File search, Computer use	Сопоставимой таблицы tool support в приведённых источниках нет	Для agentic workflow у GPT‑5.5 сейчас лучше документированная база

Есть важная тонкость с контекстом. OpenAI API docs указывают для GPT‑5.5 окно 1M tokens , а страница сравнения Artificial Analysis для GPT‑5.5 high показывает 922k tokens, тогда как DeepSeek V4 Pro high — 1000k tokens . Поэтому нельзя механически складывать цифры из разных таблиц: нужно проверять variant, reasoning level и то, как конкретный источник определяет context window.

Каким бенчмаркам верить

SWE‑bench Verified: сильный сигнал для coding, но не финальный приговор

Сводный материал o‑mega сообщает, что GPT‑5.5 набирает 88,7% на SWE‑bench Verified против 80,6% у DeepSeek V4‑Pro — разница 8,1 процентного пункта . Для software engineering это заметный сигнал.

Но один результат SWE‑bench не заменяет внутренний benchmark. У coding agent итог может сильно зависеть от prompt, reasoning level, доступа к инструментам, числа retry, способа запуска тестов, формата patch и harness, который выставляет оценку. Поэтому 88,7% против 80,6% — это хороший аргумент сначала протестировать GPT‑5.5 на coding-сценариях, но не доказательство, что она лучше во всех задачах .

System card OpenAI: широкий набор eval, но не head-to-head с DeepSeek

OpenAI Deployment Safety Hub пишет, что controllability для GPT‑5.5 измерялась через CoT‑Control — набор из более чем 13 000 задач, построенных на базе GPQA, MMLU‑Pro, HLE, BFCL и SWE‑Bench Verified . Это полезно для понимания того, как OpenAI проверяла GPT‑5.5.

Но это не таблица прямого сравнения GPT‑5.5 и DeepSeek V4. Такой источник нельзя в одиночку использовать, чтобы заявить, что GPT‑5.5 выигрывает или проигрывает DeepSeek V4 на GPQA, MMLU‑Pro или SWE‑Bench Verified .

AA‑Omniscience: у DeepSeek V4 есть прирост knowledge, но hallucination — красный флаг

Artificial Analysis пишет, что DeepSeek V4 Pro Max набирает −10 на AA‑Omniscience, улучшившись на 11 пунктов относительно V3.2 Reasoning с результатом −21; DeepSeek V4 Flash Max получает −23 . В том же источнике указаны очень высокие hallucination rate: 94% для DeepSeek V4 Pro и 96% для V4 Flash. Иными словами, когда модель не знает ответ, она почти всегда всё равно отвечает .

Для продуктов, где нужна проверяемая фактура, это критично: внутренний поиск по документам, юридические и финансовые материалы, compliance, медицинские сценарии, системы с обязательными ссылками на источники. DeepSeek V4 Pro может быть привлекателен из-за open weights и длинного контекста, но factual workflow лучше строить с retrieval, проверкой цитат, валидацией источников и human review там, где цена ошибки высока .

Когда выбирать GPT‑5.5

GPT‑5.5 выглядит более удобной стартовой точкой, если главная задача — быстро и предсказуемо встроить модель в API-продукт. OpenAI прямо публикует model ID, цену, context window, max output, knowledge cutoff 1 декабря 2025 года и список инструментов: Functions, Web search, File search, Computer use .

GPT‑5.5 также выглядит сильным кандидатом для coding agent, если ориентироваться на доступный сторонний результат SWE‑bench Verified . Но даже здесь лучше прогнать модель на реальных репозиториях, задачах и правилах вашей команды, а не принимать решение только по публичному проценту.

Когда выбирать DeepSeek V4 Pro

DeepSeek V4 Pro стоит рассматривать в первую очередь там, где open weights — не приятный бонус, а жёсткое требование. Artificial Analysis описывает DeepSeek V4 Pro как open weights модель, выпущенную в апреле 2026 года, с поддержкой text input/output и context window 1m tokens .

Главный компромисс — factual reliability. Если опираться на hallucination rate 94% для DeepSeek V4 Pro в AA‑Omniscience, сценарии с требованием точного ответа должны иметь отдельный слой проверки, а не просто отдавать пользователю первый уверенный ответ модели .

Если нужны image input и официальный tool-use

На странице сравнения DeepSeek V4 Pro high и GPT‑5.5 high Artificial Analysis указывает, что GPT‑5.5 high поддерживает image input, а DeepSeek V4 Pro high — нет . В сочетании с тем, что OpenAI документирует Functions, Web search, File search и Computer use для GPT‑5.5, текущие источники дают GPT‑5.5 преимущество для multimodal workflow и агентных сценариев с официальными инструментами .

Как тестировать модели перед решением

Если вы выбираете default-модель, покупаете API или строите multi-model routing, сравнивайте модели в одинаковых условиях, а не просто переносите проценты из разных рейтингов.

1. Зафиксируйте variant и reasoning level. OpenAI указывает для GPT‑5.5 уровни reasoning none, low, medium, high и xhigh ; Artificial Analysis также разделяет сравнения по low, medium и high .
2. Используйте один prompt, одни данные и один harness. Нельзя честно сравнивать модель с оптимизированным prompt против модели, которой дали сырой prompt.
3. Выравнивайте tool policy. В coding agent результат может измениться только из-за числа retry, права запускать тесты или права менять несколько файлов.
4. Считайте не только accuracy. Отдельно измеряйте форматные ошибки, стабильность output, token cost, latency и долю задач, которые уходят на human review.
5. Сделайте отдельный тест на hallucination. Это особенно важно для DeepSeek V4 Pro и V4 Flash из-за высоких показателей hallucination в AA‑Omniscience .
6. Добавьте реальные данные вашего продукта. Если сервис работает с русскоязычными пользователями, документами или кодовой базой, включите такие примеры во внутренний eval.

Итоговый verdict

GPT‑5.5 — более предсказуемый выбор для старта, если вам нужен production API, coding agent с tool-use, понятный max output и опубликованная цена . DeepSeek V4 Pro — сильный кандидат на тестирование, если open weights являются обязательным условием и вы готовы строить слой проверки для factual QA .

А на вопрос, кто выиграл benchmark-войну целиком, корректный ответ пока осторожный: публичных данных, собранных независимо и в одинаковых условиях, недостаточно. Текущие сигналы склоняют выбор к GPT‑5.5 по SWE‑bench Verified в одном стороннем источнике , по API-документации и tool support , а DeepSeek V4 Pro выделяется open weights и длинным контекстом .