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.

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 .

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.

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 .