GPT‑5.5 против Claude Opus 4.7: что выбрать для coding‑agent и рабочих процессов

Короткий вердикт: абсолютного победителя пока нет

Честный ответ: данных недостаточно, чтобы назвать одну модель сильнее во всём. VentureBeat сообщает, что Claude Opus 4.7 набрал 64,3% на SWE-bench Pro и 94,2% на GPQA Diamond; Interesting Engineering приводит для GPT‑5.5 результат 58,6% на SWE-Bench Pro; LLM Stats показывает обе модели примерно на уровне 0,94 по GPQA.

Эти цифры полезны для первичного выбора, но это не полноценный независимый head-to-head: одинаковые prompts, инструменты, token budget, test harness и условия inference в одном сравнении здесь не подтверждены.

Если упростить до практического выбора:

• Нужен coding‑agent и важны публичные бенчмарки: преимущество у Claude Opus 4.7.
• Нужна работа внутри ChatGPT/Codex с кодом, файлами, исследованием и документами: сначала стоит попробовать GPT‑5.5.
• Нужна модель для продукта через API: тестируйте обе на реальной нагрузке, потому что доступность API, цена и расход токенов отличаются.

Быстрое сравнение

Coding‑agent: у Claude Opus 4.7 сильнее публичный сигнал

Если вопрос узкий — какая модель лучше подходит для coding‑agent, — Claude Opus 4.7 сейчас имеет более убедительный количественный аргумент. VentureBeat сообщает, что Opus 4.7 решил 64,3% задач на SWE-bench Pro, тогда как Interesting Engineering приводит для GPT‑5.5 результат 58,6% на SWE-Bench Pro.

Это не значит, что Claude автоматически будет лучше в любой кодовой базе. Результат coding benchmark зависит от harness, тестовой среды, доступа к инструментам, prompt-стратегии, лимитов токенов и критериев оценки. Практичный вывод такой: по приведённым публичным цифрам Opus 4.7 впереди, но проверять всё равно нужно на вашем репозитории и вашем процессе разработки.

GPT‑5.5 при этом нельзя списывать со счетов. OpenAI указывает, что GPT‑5.5 уже доступна в Codex как новая frontier model для complex coding, computer use, knowledge work и research workflows. Если задача включает не только исправление бага, но и поиск контекста, понимание системы, работу с инструментами, документацию и длинную цепочку действий, интеграция GPT‑5.5 в Codex становится важным фактором.

Reasoning и knowledge work: у Opus яркие цифры, но разрыв не везде очевиден

В блоке reasoning у Claude Opus 4.7 есть сильные публичные показатели: VentureBeat сообщает 94,2% на GPQA Diamond и Elo 1753 на GDPVal-AA. Это хороший сигнал для сложных задач на рассуждение и knowledge work, но один benchmark не описывает все типы мышления и рабочих задач.

При этом разрыв не стоит преувеличивать. LLM Stats показывает и Claude Opus 4.7, и GPT‑5.5 примерно на уровне 0,94 по GPQA. Поэтому аккуратная формулировка такая: Opus 4.7 имеет более заметные публичные benchmark-сигналы в отдельных тестах, но из этих данных не следует, что GPT‑5.5 проигрывает во всех видах reasoning.

Workflow в ChatGPT и Codex: главный аргумент GPT‑5.5

GPT‑5.5 OpenAI позиционирует не просто как модель для трудных вопросов, а как инструмент для complex, real‑world work: написание кода, онлайн-исследования, анализ информации, создание документов и таблиц, а также переход между инструментами для завершения задачи.

Документация OpenAI говорит, что GPT‑5.5 сейчас доступна в ChatGPT и Codex, а API availability указана как coming soon. В changelog Codex модель описана как новая frontier model для complex coding, computer use, knowledge work и research workflows.

Поэтому, если вы работаете в ChatGPT/Codex и хотите ускорить личную или командную продуктивность — анализ файлов, правки в коде, документацию, планирование, research, таблицы и многошаговые задачи, — GPT‑5.5 выглядит моделью, которую стоит протестировать в первую очередь.

API, цена и токенизатор: место, где легко ошибиться

Для продуктового выбора бенчмарки — только часть картины. Нужно проверить, доступна ли модель через API, сколько стоят input и output, как токенизатор считает ваш тип контента, насколько длинные ответы генерирует модель и сколько tool calls требуется для выполнения задачи.

По документации OpenAI API, GPT‑5.5 сейчас доступна в ChatGPT и Codex, а API availability — coming soon. На странице pricing OpenAI GPT‑5.5 также указана как coming soon, с input price $5,00 за 1 млн токенов.

У Anthropic Claude Opus 4.7 уже запущен на Claude Platform, а release notes указывают цену $5/$25 за MTok, как у Opus 4.6. Но Anthropic отдельно предупреждает: Opus 4.7 использует обновлённый токенизатор, из-за чего тот же input может превратиться примерно в 1,0–1,35 раза больше токенов в зависимости от типа контента; кроме того, на высоких effort-levels модель может больше think, особенно в поздних шагах агентных сценариев, что увеличивает output tokens.

Итог простой: модель с лучшим benchmark может оказаться не самой выгодной, если ваш workflow длинный, многошаговый, с большим контекстом и частыми вызовами инструментов.

Что выбрать: GPT‑5.5 или Claude Opus 4.7

Выбирайте Claude Opus 4.7, если:

• вам нужен coding‑agent и вы хотите опереться на более сильный публичный сигнал по SWE-bench Pro;
• вам важна модель, которую Anthropic описывает как свою самую сильную generally available модель для complex reasoning и agentic coding;
• вы разворачиваетесь через Claude Platform и готовы отдельно измерить влияние нового токенизатора на стоимость.

Выбирайте GPT‑5.5, если:

• вы много работаете в ChatGPT или Codex и вам нужен помощник для кода, research, анализа, документов, таблиц и tool use;
• для вас важнее встроенность модели в рабочую среду, чем отдельная строка в leaderboard;
• вы хотите протестировать модель, которую OpenAI описывает как инструмент для complex, real‑world work.

Тестируйте обе, если:

• у вас есть внутренняя кодовая база, нестандартные агентные workflow или корпоративные данные;
• решение влияет на операционные расходы, latency, долю завершённых задач или опыт большого числа пользователей;
• вам нужно одновременно оптимизировать качество, стабильность, число токенов, число итераций и способность модели доводить длинные задачи до конца.

Как провести честный тест на своих задачах

Чтобы не выбирать модель по впечатлениям, соберите небольшой, но реалистичный evaluation set:

1. Возьмите реальные задачи: баги из репозитория, анализ данных, research-запросы, создание документов, workflow с несколькими инструментами.
2. Дайте обеим моделям одинаковые inputs, файлы, права на tools, лимиты времени и критерии оценки.
3. Оценивайте финальный результат, а не уверенность тона.
4. Фиксируйте число правок, factual errors, pass/fail тестов, расход токенов, время выполнения и приблизительную стоимость.
5. Разделите категории: coding‑agent, reasoning, writing, data analysis, spreadsheets и tool use.

Такой тест особенно важен именно здесь: Claude Opus 4.7 имеет более сильные публичные benchmark-сигналы для coding/reasoning, а GPT‑5.5 глубже встроена в workflow ChatGPT/Codex для многошаговой практической работы.

Вывод

Claude Opus 4.7 сейчас выглядит сильнее, если судить по публичным benchmark для coding‑agent и отдельным сигналам reasoning/knowledge work. VentureBeat сообщает для Opus 4.7 результат 64,3% на SWE-bench Pro, 94,2% на GPQA Diamond и Elo 1753 на GDPVal-AA.

GPT‑5.5 выглядит сильнее, если главный сценарий — workflow внутри ChatGPT и Codex. OpenAI описывает GPT‑5.5 как модель для кода, онлайн-исследований, анализа информации, документов, таблиц и перехода между инструментами; также OpenAI указывает, что модель доступна в ChatGPT и Codex.

Самый практичный вывод: Claude Opus 4.7 имеет более ясное преимущество по benchmark, GPT‑5.5 — по workflow в экосистеме OpenAI, а доказательств для титула универсально сильнейшей модели пока недостаточно.