Быстрая карта выбора

Бенчмарки и цены: что видно из открытых данных

С DeepSeek особенно важно не смешивать названия. В ценовых источниках чаще фигурируют DeepSeek V4 или DeepSeek V4 Pro, а в части бенчмарков — DeepSeek-V4-Pro-Max. Поэтому в таблице ниже сохранены обозначения из источников: это не гарантирует, что речь всегда идёт об одной и той же конфигурации модели.

Общий рейтинг: GPT-5.5 впереди в видимом Intelligence Index, но это не «абсолютная победа»

В видимой сводке Artificial Analysis первые позиции Intelligence Index выглядят так: GPT-5.5 xhigh — 60, GPT-5.5 high — 59, Claude Opus 4.7 Adaptive Reasoning, Max Effort — 57; рядом также указаны Gemini 3.1 Pro Preview и GPT-5.4 xhigh с баллом 57.

Из этого можно сделать только ограниченный вывод: в этой конкретной видимой сводке GPT-5.5 стоит выше Claude Opus 4.7. Но нельзя честно вывести полный рейтинг всех четырёх моделей, потому что для DeepSeek V4 и Kimi K2.6 в том же фрагменте нет сопоставимых баллов Intelligence Index.

Агенты, браузер и терминал: GPT-5.5 сильнее, DeepSeek близко в web browsing

BrowseComp оценивает агентный web browsing — способность модели искать и собирать информацию в сложной, хорошо структурированной среде. В сводке VentureBeat результаты такие: GPT-5.5 — 84,4 %, DeepSeek-V4-Pro-Max — 83,4 %, Claude Opus 4.7 — 79,3 %. Разрыв между GPT-5.5 и DeepSeek здесь небольшой, а Claude в этой таблице заметно позади.

На Terminal-Bench 2.0 разрыв уже шире. VentureBeat приводит 82,7 % для GPT-5.5, 69,4 % для Claude Opus 4.7 и 67,9 % для DeepSeek; Yahoo / Investing.com также описывает Terminal-Bench 2.0 как тест command-line workflows и приводит для GPT-5.5 результат 82,7 %.

У Kimi K2.6 есть видимый показатель Terminal-Bench 2.0 — 66,70 %, но он взят из другого сравнения: Kimi K2.6 сопоставляется там с Claude Opus 4.6 и GPT-5.4, а не с GPT-5.5, Claude Opus 4.7 и DeepSeek V4 в одной таблице.

Coding и SWE: Claude выше в SWE-Bench Pro, но workflow важнее одного числа

По таблице DataCamp для SWE-Bench Pro картина такая: DeepSeek V4 Pro — 55,4 %, GPT-5.5 — 58,6 %, Claude Opus 4.7 — 64,3 %. Yahoo / Investing.com также указывает, что GPT-5.5 набирает 58,6 % на SWE-Bench Pro, который оценивает решение GitHub issue.

Kimi K2.6 в coding-сценариях выглядит интересно, но его цифры надо читать с оговорками. Verdent приводит для Kimi K2.6 58,60 % на SWE-Bench Pro, 80,20 % на SWE-Bench Verified и 89,60 % на LiveCodeBench v6; при этом источник отмечает, что числа Kimi взяты из официальной карточки Moonshot AI, а SWE-Bench Pro запускался через Moonshot in-house harness. Это хороший повод включить Kimi K2.6 в тестовый список, но плохое основание механически поставить его в общий рейтинг рядом с GPT-5.5, Claude Opus 4.7 и DeepSeek V4.

Практический вывод: если задача — ремонт большого репозитория, code review или долго работающий coding agent, одного SWE-процента мало. Claude Opus 4.7 выше в видимом сравнении SWE-Bench Pro; GPT-5.5 заметно сильнее в Terminal-Bench 2.0, то есть в задачах с длинным использованием инструментов; Kimi K2.6 нужно прогонять на вашем репозитории, вашей CI-среде и ваших критериях успеха.

Сложное reasoning: у Claude Opus 4.7 преимущество заметнее

В сводке VentureBeat Claude Opus 4.7 лидирует на GPQA Diamond: 94,2 % против 93,6 % у GPT-5.5 и 90,1 % у DeepSeek-V4-Pro-Max. На Humanity’s Last Exam без инструментов Claude Opus 4.7 также выше: 46,9 % против 41,4 % у GPT-5.5, 43,1 % у GPT-5.5 Pro и 37,7 % у DeepSeek-V4-Pro-Max.

Вывод LLM Stats совпадает по направлению: из 10 бенчмарков, которые отчитывают оба поставщика, Claude Opus 4.7 впереди в 6, GPT-5.5 — в 4. При этом преимущество Claude сосредоточено в reasoning-heavy и review-grade тестах, а преимущество GPT-5.5 — в long-running tool-use тестах.

Цена и контекст: самое ясное преимущество DeepSeek V4

Mashable приводит такие цены API: DeepSeek V4 — $1,74 за 1 млн входных токенов и $3,48 за 1 млн выходных, с окном контекста 1 млн токенов; GPT-5.5 — $5 за 1 млн входных и $30 за 1 млн выходных, тоже с окном 1 млн; Claude Opus 4.7 — $5 за 1 млн входных и $25 за 1 млн выходных, также с окном 1 млн.

DataCamp использует тот же порядок цен и указывает окно контекста около 1 млн токенов для DeepSeek V4 Pro, GPT-5.5 и Claude Opus 4.7. Поэтому для высоконагруженных сервисов DeepSeek V4 — очевидный кандидат на ранний API-тест: он дешевле в видимых прайсах и при этом показывает 83,4 % на BrowseComp, почти рядом с 84,4 % у GPT-5.5.

Для Kimi K2.6 в предоставленных источниках нет API-цены в той же форме. Зато DocsBot описывает Kimi K2.6 как open-source agentic model с контекстом 256 тыс. токенов, ориентированную на long-horizon coding, coding-driven design, автономное выполнение и orchestration.

Практичная архитектура: не выбирать одну модель, а строить роутер

Для продуктовой команды самый рабочий ответ — не «купить одну модель навсегда», а развести задачи по маршрутам и прогнать регрессионный набор.

1. GPT-5.5 — верхняя планка для agentic tool-use. У него сильные публичные цифры на BrowseComp и Terminal-Bench 2.0, а OpenAI также указывает 84,9 % на GDPval, 78,7 % на OSWorld-Verified и 98,0 % на Tau2-bench Telecom — бенчмарках, связанных с агентной работой, компьютерной средой и сложными customer-service workflow.
2. Claude Opus 4.7 — для reasoning, ревью и низкой терпимости к ошибке. Его преимущество видно на GPQA Diamond, Humanity’s Last Exam no-tools и в категории reasoning-heavy / review-grade tests по LLM Stats.
3. DeepSeek V4 — для снижения стоимости массовых API-вызовов. Его публичная цена за входные и выходные токены ниже, чем у GPT-5.5 и Claude Opus 4.7, а BrowseComp близок к GPT-5.5.
4. Kimi K2.6 — в экспериментальный пул open-source coding agents. У него есть видимые coding- и agentic-показатели, но пока нет полного публичного сравнения с GPT-5.5, Claude Opus 4.7 и DeepSeek V4 на одинаковых условиях.

Ограничения этого сравнения

• Не все модели сравнивались в одном и том же запуске. GPT-5.5, Claude Opus 4.7 и DeepSeek-V4-Pro-Max встречаются вместе в части таблиц VentureBeat; Kimi K2.6 в основном появляется в другой группе сравнения — с Claude Opus 4.6 и GPT-5.4.
• Конфигурации моделей различаются. В Artificial Analysis GPT-5.5 указан как xhigh / high, Claude Opus 4.7 — как Adaptive Reasoning, Max Effort; VentureBeat использует DeepSeek-V4-Pro-Max. Это не обязательно равно обычному API-режиму по умолчанию.
• Self-reported и независимые результаты нельзя смешивать без поправок. LLM Stats подчёркивает, что часть оценок GPT-5.5 и Claude Opus 4.7 заявлена поставщиками на высоких reasoning tier, поэтому они сопоставимы по форме, но не по методологии.
• Публичные бенчмарки задают приоритет тестирования, а не финальный выбор. BrowseComp проверяет агентный web browsing, Terminal-Bench 2.0 — command-line workflows, SWE-Bench Pro — решение GitHub issue; это не заменяет проверку на ваших пользовательских задачах.

Итог

Если смотреть только на открытые данные для первичного отбора, GPT-5.5 — самый сильный кандидат для agentic tool-use и видимого общего индекса; Claude Opus 4.7 — один из самых сильных вариантов для reasoning и ревью; DeepSeek V4 — наиболее привлекательный по цене API; Kimi K2.6 стоит добавить в open-source / coding-agent эксперименты, но доказательств пока недостаточно, чтобы честно встроить его в полный четырёхсторонний рейтинг.

Перед закупкой или запуском в продакшен лучше собрать собственный регрессионный набор: одинаковые prompt, одинаковые права на инструменты, одинаковая длина контекста, одинаковые критерии успеха. Публичные бенчмарки помогают понять, кого тестировать первым; окончательный выбор должны определить ваш сценарий, цена ошибки и реальная стоимость токенов.

Быстрая карта выбора

Бенчмарки и цены: что видно из открытых данных

С DeepSeek особенно важно не смешивать названия. В ценовых источниках чаще фигурируют DeepSeek V4 или DeepSeek V4 Pro, а в части бенчмарков — DeepSeek-V4-Pro-Max. Поэтому в таблице ниже сохранены обозначения из источников: это не гарантирует, что речь всегда идёт об одной и той же конфигурации модели.

Общий рейтинг: GPT-5.5 впереди в видимом Intelligence Index, но это не «абсолютная победа»

В видимой сводке Artificial Analysis первые позиции Intelligence Index выглядят так: GPT-5.5 xhigh — 60, GPT-5.5 high — 59, Claude Opus 4.7 Adaptive Reasoning, Max Effort — 57; рядом также указаны Gemini 3.1 Pro Preview и GPT-5.4 xhigh с баллом 57.

Из этого можно сделать только ограниченный вывод: в этой конкретной видимой сводке GPT-5.5 стоит выше Claude Opus 4.7. Но нельзя честно вывести полный рейтинг всех четырёх моделей, потому что для DeepSeek V4 и Kimi K2.6 в том же фрагменте нет сопоставимых баллов Intelligence Index.

Агенты, браузер и терминал: GPT-5.5 сильнее, DeepSeek близко в web browsing

BrowseComp оценивает агентный web browsing — способность модели искать и собирать информацию в сложной, хорошо структурированной среде. В сводке VentureBeat результаты такие: GPT-5.5 — 84,4 %, DeepSeek-V4-Pro-Max — 83,4 %, Claude Opus 4.7 — 79,3 %. Разрыв между GPT-5.5 и DeepSeek здесь небольшой, а Claude в этой таблице заметно позади.

На Terminal-Bench 2.0 разрыв уже шире. VentureBeat приводит 82,7 % для GPT-5.5, 69,4 % для Claude Opus 4.7 и 67,9 % для DeepSeek; Yahoo / Investing.com также описывает Terminal-Bench 2.0 как тест command-line workflows и приводит для GPT-5.5 результат 82,7 %.

У Kimi K2.6 есть видимый показатель Terminal-Bench 2.0 — 66,70 %, но он взят из другого сравнения: Kimi K2.6 сопоставляется там с Claude Opus 4.6 и GPT-5.4, а не с GPT-5.5, Claude Opus 4.7 и DeepSeek V4 в одной таблице.

Coding и SWE: Claude выше в SWE-Bench Pro, но workflow важнее одного числа

По таблице DataCamp для SWE-Bench Pro картина такая: DeepSeek V4 Pro — 55,4 %, GPT-5.5 — 58,6 %, Claude Opus 4.7 — 64,3 %. Yahoo / Investing.com также указывает, что GPT-5.5 набирает 58,6 % на SWE-Bench Pro, который оценивает решение GitHub issue.

Kimi K2.6 в coding-сценариях выглядит интересно, но его цифры надо читать с оговорками. Verdent приводит для Kimi K2.6 58,60 % на SWE-Bench Pro, 80,20 % на SWE-Bench Verified и 89,60 % на LiveCodeBench v6; при этом источник отмечает, что числа Kimi взяты из официальной карточки Moonshot AI, а SWE-Bench Pro запускался через Moonshot in-house harness. Это хороший повод включить Kimi K2.6 в тестовый список, но плохое основание механически поставить его в общий рейтинг рядом с GPT-5.5, Claude Opus 4.7 и DeepSeek V4.

Практический вывод: если задача — ремонт большого репозитория, code review или долго работающий coding agent, одного SWE-процента мало. Claude Opus 4.7 выше в видимом сравнении SWE-Bench Pro; GPT-5.5 заметно сильнее в Terminal-Bench 2.0, то есть в задачах с длинным использованием инструментов; Kimi K2.6 нужно прогонять на вашем репозитории, вашей CI-среде и ваших критериях успеха.

Сложное reasoning: у Claude Opus 4.7 преимущество заметнее

В сводке VentureBeat Claude Opus 4.7 лидирует на GPQA Diamond: 94,2 % против 93,6 % у GPT-5.5 и 90,1 % у DeepSeek-V4-Pro-Max. На Humanity’s Last Exam без инструментов Claude Opus 4.7 также выше: 46,9 % против 41,4 % у GPT-5.5, 43,1 % у GPT-5.5 Pro и 37,7 % у DeepSeek-V4-Pro-Max.

Вывод LLM Stats совпадает по направлению: из 10 бенчмарков, которые отчитывают оба поставщика, Claude Opus 4.7 впереди в 6, GPT-5.5 — в 4. При этом преимущество Claude сосредоточено в reasoning-heavy и review-grade тестах, а преимущество GPT-5.5 — в long-running tool-use тестах.

Цена и контекст: самое ясное преимущество DeepSeek V4

Mashable приводит такие цены API: DeepSeek V4 — $1,74 за 1 млн входных токенов и $3,48 за 1 млн выходных, с окном контекста 1 млн токенов; GPT-5.5 — $5 за 1 млн входных и $30 за 1 млн выходных, тоже с окном 1 млн; Claude Opus 4.7 — $5 за 1 млн входных и $25 за 1 млн выходных, также с окном 1 млн.

DataCamp использует тот же порядок цен и указывает окно контекста около 1 млн токенов для DeepSeek V4 Pro, GPT-5.5 и Claude Opus 4.7. Поэтому для высоконагруженных сервисов DeepSeek V4 — очевидный кандидат на ранний API-тест: он дешевле в видимых прайсах и при этом показывает 83,4 % на BrowseComp, почти рядом с 84,4 % у GPT-5.5.

Для Kimi K2.6 в предоставленных источниках нет API-цены в той же форме. Зато DocsBot описывает Kimi K2.6 как open-source agentic model с контекстом 256 тыс. токенов, ориентированную на long-horizon coding, coding-driven design, автономное выполнение и orchestration.

Практичная архитектура: не выбирать одну модель, а строить роутер

Для продуктовой команды самый рабочий ответ — не «купить одну модель навсегда», а развести задачи по маршрутам и прогнать регрессионный набор.

1. GPT-5.5 — верхняя планка для agentic tool-use. У него сильные публичные цифры на BrowseComp и Terminal-Bench 2.0, а OpenAI также указывает 84,9 % на GDPval, 78,7 % на OSWorld-Verified и 98,0 % на Tau2-bench Telecom — бенчмарках, связанных с агентной работой, компьютерной средой и сложными customer-service workflow.
2. Claude Opus 4.7 — для reasoning, ревью и низкой терпимости к ошибке. Его преимущество видно на GPQA Diamond, Humanity’s Last Exam no-tools и в категории reasoning-heavy / review-grade tests по LLM Stats.
3. DeepSeek V4 — для снижения стоимости массовых API-вызовов. Его публичная цена за входные и выходные токены ниже, чем у GPT-5.5 и Claude Opus 4.7, а BrowseComp близок к GPT-5.5.
4. Kimi K2.6 — в экспериментальный пул open-source coding agents. У него есть видимые coding- и agentic-показатели, но пока нет полного публичного сравнения с GPT-5.5, Claude Opus 4.7 и DeepSeek V4 на одинаковых условиях.

Ограничения этого сравнения

• Не все модели сравнивались в одном и том же запуске. GPT-5.5, Claude Opus 4.7 и DeepSeek-V4-Pro-Max встречаются вместе в части таблиц VentureBeat; Kimi K2.6 в основном появляется в другой группе сравнения — с Claude Opus 4.6 и GPT-5.4.
• Конфигурации моделей различаются. В Artificial Analysis GPT-5.5 указан как xhigh / high, Claude Opus 4.7 — как Adaptive Reasoning, Max Effort; VentureBeat использует DeepSeek-V4-Pro-Max. Это не обязательно равно обычному API-режиму по умолчанию.
• Self-reported и независимые результаты нельзя смешивать без поправок. LLM Stats подчёркивает, что часть оценок GPT-5.5 и Claude Opus 4.7 заявлена поставщиками на высоких reasoning tier, поэтому они сопоставимы по форме, но не по методологии.
• Публичные бенчмарки задают приоритет тестирования, а не финальный выбор. BrowseComp проверяет агентный web browsing, Terminal-Bench 2.0 — command-line workflows, SWE-Bench Pro — решение GitHub issue; это не заменяет проверку на ваших пользовательских задачах.

Итог

Если смотреть только на открытые данные для первичного отбора, GPT-5.5 — самый сильный кандидат для agentic tool-use и видимого общего индекса; Claude Opus 4.7 — один из самых сильных вариантов для reasoning и ревью; DeepSeek V4 — наиболее привлекательный по цене API; Kimi K2.6 стоит добавить в open-source / coding-agent эксперименты, но доказательств пока недостаточно, чтобы честно встроить его в полный четырёхсторонний рейтинг.

Перед закупкой или запуском в продакшен лучше собрать собственный регрессионный набор: одинаковые prompt, одинаковые права на инструменты, одинаковая длина контекста, одинаковые критерии успеха. Публичные бенчмарки помогают понять, кого тестировать первым; окончательный выбор должны определить ваш сценарий, цена ошибки и реальная стоимость токенов.