DeepSeek V4 против Kimi K2.6, Claude Opus 4.7 и GPT-5.5: что показывают бенчмарки

Что действительно подтверждают источники

OpenAI описывает Terminal-Bench 2.0 как тест сложных командных workflows, где модели нужны планирование, итерации и координация инструментов; GPT-5.5 набирает там 82,7% . На SWE-Bench Pro, который проверяет решение реальных GitHub-issues, OpenAI указывает для GPT-5.5 результат 58,6% .

DeepSeek в changelog сообщает, что V4-Pro и V4-Flash доступны через интерфейс OpenAI ChatCompletions и через Anthropic-интерфейс; параметры моделей — deepseek-v4-pro и deepseek-v4-flash . Это важное подтверждение доступности, но не доказательство победы в конкретном бенчмарке.

По Claude Opus 4.7 и Kimi K2.6 прямые сравнения нужно читать как вторичные данные: LushBinary приводит таблицу Claude против GPT-5.5, а CodeRouter — ценовые и качественные ориентиры по Kimi K2.6 и DeepSeek V4 .

Таблица: где есть цифры, а где пока пробелы

«н/д» означает, что в использованных источниках нет достаточно надёжной и напрямую сопоставимой цифры для этой пары модель-бенчмарк.

Кодинг: Claude Opus 4.7 выглядит сильнее, Kimi K2.6 — дешевле для экспериментов

Если смотреть именно на coding-задачи, самый сильный сигнал в этой подборке — у Claude Opus 4.7. LushBinary указывает 64,3% для Claude Opus 4.7 на SWE-Bench Pro против 58,6% у GPT-5.5; значение GPT-5.5 в 58,6% также подтверждено публикацией OpenAI . В SWE-Bench Verified и CursorBench Claude Opus 4.7 в той же сторонней таблице тоже выше GPT-5.5 .

Kimi K2.6 интересен не тем, что по нему есть полная независимая матрица на все бенчмарки, а ценой. CodeRouter ставит его на уровень GPT-5.5 по SWE-Bench Pro и одновременно называет заметно более дешёвым вариантом по токенам . Для команд, которые запускают много попыток, drafts и retries, это может быть важнее небольшой разницы в лидерборде — но только после собственного eval.

По DeepSeek V4 из официальных данных в этой подборке нельзя вывести coding-результат. Надёжно подтверждено другое: V4-Pro и V4-Flash доступны через DeepSeek API .

Терминальные и агентные workflows: у GPT-5.5 лучшая публичная опора

Для terminal-agent сценариев GPT-5.5 выглядит наиболее убедительно именно потому, что есть официальная цифра OpenAI: 82,7% на Terminal-Bench 2.0 . В стороннем сравнении LushBinary Claude Opus 4.7 в том же бенчмарке указан примерно на уровне 72% .

Похожая картина в knowledge-work и computer-use метриках из этой же сторонней таблицы: GPT-5.5 получает 84,9% на GDPval против примерно 78% у Claude Opus 4.7, а также 78,7% на OSWorld-Verified против примерно 65% у Claude Opus 4.7 . Поэтому для задач, где модель должна работать с shell-командами, инструментами, браузерными или GUI-подобными действиями, GPT-5.5 — самый понятный стартовый кандидат.

Vision и документы: самый явный плюс — у Claude Opus 4.7

Полной таблицы по мультимодальным задачам для всех четырёх моделей в источниках нет. Самый заметный положительный сигнал касается Claude Opus 4.7: в отчёте Arena, который цитирует Latent Space/AINews, Claude Opus 4.7 занимает 1-е место в Vision & Document Arena .

LLM Stats также пишет, что Claude Opus 4.7 может обрабатывать изображения до 2 576 пикселей по длинной стороне, то есть примерно до 3,75 мегапикселя; GPT-5.5 поддерживает ввод изображений и там указан с результатами MMMU-Pro 81,2% без инструментов и 83,2% с инструментами . Эти данные помогают понять расстановку сил между Claude и GPT-5.5, но не заменяют прямого сравнения всех четырёх моделей.

Цена и практическая экономика: Kimi K2.6 и DeepSeek V4 Flash надо прогонять на своих задачах

Главный ценовой аргумент в этой подборке — у Kimi K2.6. CodeRouter описывает модель как победителя по соотношению стоимости и качества и приводит цены $0,60 за миллион входных токенов и $4,00 за миллион выходных токенов .

DeepSeek V4 Flash в том же источнике выглядит как очень дешёвый рабочий вариант: $0,14 за миллион входных токенов, $0,28 за миллион выходных токенов и контекст 1M . Официальная документация DeepSeek отдельно подтверждает, что V4-Pro и V4-Flash доступны через актуальные API-интерфейсы .

Но цена за токены — это не то же самое, что цена за успешно решённую задачу. Дешёвая модель может оказаться выгодной для черновиков, массовых запусков и низкорисковых агентных циклов. В продакшене важнее другое: сколько стоит один принятый результат с учётом повторов, ошибок, ручной проверки и доработок.

Как сравнивать эти модели честно

Публичный лидерборд — хорошая отправная точка, но плохая замена собственному eval. Для реального выбора лучше собрать небольшой набор задач из вашего кода, документации, терминальных workflows или агентных сценариев и прогнать все модели в одинаковых условиях.

Считать стоит не только первую точность. Полезнее смотреть на стоимость принятого результата, число повторных попыток, тяжесть ошибок, стабильность формата, время выполнения и то, насколько модель ломается на ваших внутренних ограничениях.

И главное — не смешивать официальные и вторичные данные. В этой подборке GPT-5.5 имеет официальные значения OpenAI для Terminal-Bench 2.0 и SWE-Bench Pro . DeepSeek V4 имеет официальный факт доступности V4-Pro и V4-Flash в API . А наиболее конкретные сравнения по Claude Opus 4.7 и Kimi K2.6 здесь в основном опираются на сторонние источники .

Итог

Единого победителя нет. Claude Opus 4.7 лидирует в приведённых coding-ориентированных данных, GPT-5.5 лучше всего подтверждён для terminal-agent и computer-use задач, Kimi K2.6 выглядит главным кандидатом по цене, а DeepSeek V4 пока стоит воспринимать как доступный API-вариант, который обязательно нужно мерить на собственных сценариях .