Короткий ответ

• Для terminal automation, agentic workflow и работы с инструментами сильнее выглядит GPT-5.5: он ведёт у Claude Opus 4.7 в Terminal-Bench 2.0, BrowseComp и OSWorld-Verified .
• Для задач software engineering самый явный плюс у Claude Opus 4.7: 64,3% на SWE-Bench Pro против 58,6% у GPT-5.5 .
• Для очень длинного контекста в этой подборке выделяется DeepSeek V4 Pro: Artificial Analysis указывает 1000k токенов против 256k у Kimi K2.6, но одновременно сообщает hallucination rate 94% для DeepSeek V4 Pro .
• Для open-weight multimodal сценариев в shortlist попадает Kimi K2.6: Artificial Analysis описывает его как open weights model, указывает Intelligence Index 54 и нативную поддержку image/video input с text output .

Сравнимые цифры: где есть прямые данные

Здесь н/д не означает, что модель хуже. Это означает только, что в использованных источниках нет сопоставимого результата в том же бенчмарке и у того же оценщика.

GPT-5.5: сильный кандидат для agentic и tool workflow

GPT-5.5 — модель с самым плотным набором прямых сравнений с Claude Opus 4.7 в доступных источниках. Vellum приводит Terminal-Bench 2.0, SWE-Bench Pro, GDPval, GPQA Diamond и FrontierMath, а OpenAI — OSWorld-Verified, BrowseComp и MCP Atlas .

Самый заметный профиль GPT-5.5 — задачи, где модель должна не просто отвечать текстом, а планировать шаги, пользоваться инструментами, работать в терминале или браузерном окружении. GPT-5.5 получает 82,7% на Terminal-Bench 2.0 против 69,4% у Claude Opus 4.7, 84,4% на BrowseComp против 79,3% и 78,7% на OSWorld-Verified против 78,0% .

Но это не универсальная победа. Claude Opus 4.7 обгоняет GPT-5.5 в SWE-Bench Pro, MCP Atlas и GPQA Diamond в приведённых источниках . Поэтому GPT-5.5 выглядит особенно убедительно не как модель на все случаи жизни, а как выбор для agentic workflow, терминальных задач, browser/tool use и автоматизации сложных процессов.

Отдельно стоит читать данные по безопасности и управляемости. В System Card OpenAI указано, что GPT-5.5 оценивали через CoT-Control — набор из более чем 13 000 задач, построенный на базе GPQA, MMLU-Pro, HLE, BFCL и SWE-Bench Verified . Это полезно для понимания контроля поведения модели, но не заменяет performance-бенчмарки вроде SWE-Bench Pro или Terminal-Bench.

Claude Opus 4.7: главный аргумент — software engineering

Anthropic указывает Claude Opus 4.7 в документации Claude API с датой 16 апреля 2026 года . Если смотреть только на прямые сравнения с GPT-5.5, самый сильный сигнал в пользу Claude Opus 4.7 — SWE-Bench Pro: 64,3% против 58,6% у GPT-5.5 .

Это важно для команд разработки: бенчмарки уровня SWE-Bench ближе к задачам исправления реальных проблем в коде, чем классические короткие тесты на написание функций. На ограничения HumanEval и необходимость более реалистичных issue-solving benchmark указывает и академическая работа о fine-grained issue solving для LLM .

Claude Opus 4.7 также ведёт в MCP Atlas: 79,1% против 75,3% у GPT-5.5, по данным OpenAI . В GPQA Diamond его перевес небольшой — 94,2% против 93,6% у GPT-5.5 . Но в Terminal-Bench 2.0, GDPval, BrowseComp, OSWorld-Verified и FrontierMath T1–3 GPT-5.5 выглядит сильнее в этих же наборах данных .

По части safety Anthropic сообщает в Petri 2.0, что две совместные интервенции снизили eval-awareness у моделей Claude на 47,3% по median relative drop . Это стоит воспринимать как показатель исследований поведения и безопасности семейства Claude, а не как прямой балл производительности Claude Opus 4.7.

DeepSeek V4: огромный контекст, но высокий риск галлюцинаций

Технический отчёт DeepSeek-V4 описывает серию V4 как развитие DeepSeek-V3: сохраняются DeepSeekMoE framework и стратегия Multi-Token Prediction, а для длинного контекста добавлен hybrid attention mechanism с Compressed Sparse Attention и Heavily Compressed Attention .

На практике главный видимый плюс DeepSeek V4 Pro — окно контекста. В сравнении Artificial Analysis у DeepSeek V4 Pro указано 1000k токенов, тогда как у Kimi K2.6 — 256k токенов . Это может быть критично для больших документов, длинных логов, массивных кодовых баз и процессов, где модель должна удерживать много входных данных.

Но длинный контекст не равен надёжности. Artificial Analysis сообщает, что DeepSeek V4 Pro Max получил -10 на AA-Omniscience, улучшившись относительно DeepSeek V3.2 Reasoning с -21, но при этом у DeepSeek V4 Pro указан hallucination rate 94%, а у V4 Flash — 96% . Иными словами, модель может быть полезной для задач с большим контекстом, но ответы нужно жёстко приземлять на источники: retrieval, проверка фактов, тесты и human review здесь не роскошь, а часть рабочего процесса .

Kimi K2.6: open-weight multimodal, которому нужны прямые сравнения

Artificial Analysis описывает Kimi K2.6 как open weights model, выпущенную в апреле 2026 года, и указывает Intelligence Index 54 . В отдельном материале Artificial Analysis говорится, что Kimi K2.6 нативно поддерживает ввод изображений и видео с текстовым выводом, а максимальная длина контекста остаётся 256k .

Это делает Kimi K2.6 интересным кандидатом для тех, кому важны открытые веса и мультимодальность. Но по ключевым бенчмаркам, где GPT-5.5 и Claude Opus 4.7 можно сравнить напрямую, — Terminal-Bench 2.0, SWE-Bench Pro, GDPval, OSWorld-Verified, BrowseComp и MCP Atlas — в использованных источниках нет полноценного сопоставимого набора результатов для Kimi K2.6 .

Поэтому корректный вывод осторожный: Kimi K2.6 стоит включать в shortlist для open-weight multimodal задач, но не стоит объявлять его сильнее или слабее GPT-5.5, Claude Opus 4.7 и DeepSeek V4 там, где нет прямых данных .

Как выбрать модель под задачу

Почему бенчмарк не заменяет пилот в вашей среде

Первая ловушка — складывать баллы из разных источников в один рейтинг. Vellum, OpenAI и Artificial Analysis показывают разные наборы тестов и разные контексты оценки, поэтому их цифры лучше читать как отдельные срезы, а не как единую турнирную таблицу .

Вторая ловушка — думать, что один coding-бенчмарк описывает всю разработку. Академическая работа по issue-solving benchmark прямо указывает, что HumanEval недостаточен для оценки возможностей LLM в реальных задачах, а бенчмарки вроде SWE-Bench лучше отражают решение практических проблем в коде .

Третья ловушка — путать длину контекста с точностью. DeepSeek V4 Pro имеет 1000k токенов контекста в таблице Artificial Analysis, но тот же источник сообщает hallucination rate 94% для DeepSeek V4 Pro . Для production-сценариев это означает простую вещь: нужен собственный набор тестов на ваших данных, с проверкой фактов, регрессионными задачами и понятной процедурой отката.

Итог

Если нужен один практичный ориентир, он такой: GPT-5.5 сильнее выглядит для agentic, terminal и tool workflow; Claude Opus 4.7 — для software engineering по SWE-Bench Pro; DeepSeek V4 Pro — для задач с очень длинным контекстом, но с обязательной проверкой ответов; Kimi K2.6 — для open-weight multimodal сценариев, где важны изображения, видео и доступность весов .

Абсолютного победителя по всем четырём моделям эти данные не доказывают. Лучший выбор — не лидер общего рейтинга, а модель, которая выигрывает именно в вашем типе задач и проходит ваш внутренний тест качества.

Короткий ответ

• Для terminal automation, agentic workflow и работы с инструментами сильнее выглядит GPT-5.5: он ведёт у Claude Opus 4.7 в Terminal-Bench 2.0, BrowseComp и OSWorld-Verified .
• Для задач software engineering самый явный плюс у Claude Opus 4.7: 64,3% на SWE-Bench Pro против 58,6% у GPT-5.5 .
• Для очень длинного контекста в этой подборке выделяется DeepSeek V4 Pro: Artificial Analysis указывает 1000k токенов против 256k у Kimi K2.6, но одновременно сообщает hallucination rate 94% для DeepSeek V4 Pro .
• Для open-weight multimodal сценариев в shortlist попадает Kimi K2.6: Artificial Analysis описывает его как open weights model, указывает Intelligence Index 54 и нативную поддержку image/video input с text output .

Сравнимые цифры: где есть прямые данные

Здесь н/д не означает, что модель хуже. Это означает только, что в использованных источниках нет сопоставимого результата в том же бенчмарке и у того же оценщика.

GPT-5.5: сильный кандидат для agentic и tool workflow

GPT-5.5 — модель с самым плотным набором прямых сравнений с Claude Opus 4.7 в доступных источниках. Vellum приводит Terminal-Bench 2.0, SWE-Bench Pro, GDPval, GPQA Diamond и FrontierMath, а OpenAI — OSWorld-Verified, BrowseComp и MCP Atlas .

Самый заметный профиль GPT-5.5 — задачи, где модель должна не просто отвечать текстом, а планировать шаги, пользоваться инструментами, работать в терминале или браузерном окружении. GPT-5.5 получает 82,7% на Terminal-Bench 2.0 против 69,4% у Claude Opus 4.7, 84,4% на BrowseComp против 79,3% и 78,7% на OSWorld-Verified против 78,0% .

Но это не универсальная победа. Claude Opus 4.7 обгоняет GPT-5.5 в SWE-Bench Pro, MCP Atlas и GPQA Diamond в приведённых источниках . Поэтому GPT-5.5 выглядит особенно убедительно не как модель на все случаи жизни, а как выбор для agentic workflow, терминальных задач, browser/tool use и автоматизации сложных процессов.

Отдельно стоит читать данные по безопасности и управляемости. В System Card OpenAI указано, что GPT-5.5 оценивали через CoT-Control — набор из более чем 13 000 задач, построенный на базе GPQA, MMLU-Pro, HLE, BFCL и SWE-Bench Verified . Это полезно для понимания контроля поведения модели, но не заменяет performance-бенчмарки вроде SWE-Bench Pro или Terminal-Bench.

Claude Opus 4.7: главный аргумент — software engineering

Anthropic указывает Claude Opus 4.7 в документации Claude API с датой 16 апреля 2026 года . Если смотреть только на прямые сравнения с GPT-5.5, самый сильный сигнал в пользу Claude Opus 4.7 — SWE-Bench Pro: 64,3% против 58,6% у GPT-5.5 .

Это важно для команд разработки: бенчмарки уровня SWE-Bench ближе к задачам исправления реальных проблем в коде, чем классические короткие тесты на написание функций. На ограничения HumanEval и необходимость более реалистичных issue-solving benchmark указывает и академическая работа о fine-grained issue solving для LLM .

Claude Opus 4.7 также ведёт в MCP Atlas: 79,1% против 75,3% у GPT-5.5, по данным OpenAI . В GPQA Diamond его перевес небольшой — 94,2% против 93,6% у GPT-5.5 . Но в Terminal-Bench 2.0, GDPval, BrowseComp, OSWorld-Verified и FrontierMath T1–3 GPT-5.5 выглядит сильнее в этих же наборах данных .

По части safety Anthropic сообщает в Petri 2.0, что две совместные интервенции снизили eval-awareness у моделей Claude на 47,3% по median relative drop . Это стоит воспринимать как показатель исследований поведения и безопасности семейства Claude, а не как прямой балл производительности Claude Opus 4.7.

DeepSeek V4: огромный контекст, но высокий риск галлюцинаций

Технический отчёт DeepSeek-V4 описывает серию V4 как развитие DeepSeek-V3: сохраняются DeepSeekMoE framework и стратегия Multi-Token Prediction, а для длинного контекста добавлен hybrid attention mechanism с Compressed Sparse Attention и Heavily Compressed Attention .

На практике главный видимый плюс DeepSeek V4 Pro — окно контекста. В сравнении Artificial Analysis у DeepSeek V4 Pro указано 1000k токенов, тогда как у Kimi K2.6 — 256k токенов . Это может быть критично для больших документов, длинных логов, массивных кодовых баз и процессов, где модель должна удерживать много входных данных.

Но длинный контекст не равен надёжности. Artificial Analysis сообщает, что DeepSeek V4 Pro Max получил -10 на AA-Omniscience, улучшившись относительно DeepSeek V3.2 Reasoning с -21, но при этом у DeepSeek V4 Pro указан hallucination rate 94%, а у V4 Flash — 96% . Иными словами, модель может быть полезной для задач с большим контекстом, но ответы нужно жёстко приземлять на источники: retrieval, проверка фактов, тесты и human review здесь не роскошь, а часть рабочего процесса .

Kimi K2.6: open-weight multimodal, которому нужны прямые сравнения

Artificial Analysis описывает Kimi K2.6 как open weights model, выпущенную в апреле 2026 года, и указывает Intelligence Index 54 . В отдельном материале Artificial Analysis говорится, что Kimi K2.6 нативно поддерживает ввод изображений и видео с текстовым выводом, а максимальная длина контекста остаётся 256k .

Это делает Kimi K2.6 интересным кандидатом для тех, кому важны открытые веса и мультимодальность. Но по ключевым бенчмаркам, где GPT-5.5 и Claude Opus 4.7 можно сравнить напрямую, — Terminal-Bench 2.0, SWE-Bench Pro, GDPval, OSWorld-Verified, BrowseComp и MCP Atlas — в использованных источниках нет полноценного сопоставимого набора результатов для Kimi K2.6 .

Поэтому корректный вывод осторожный: Kimi K2.6 стоит включать в shortlist для open-weight multimodal задач, но не стоит объявлять его сильнее или слабее GPT-5.5, Claude Opus 4.7 и DeepSeek V4 там, где нет прямых данных .

Как выбрать модель под задачу

Почему бенчмарк не заменяет пилот в вашей среде

Первая ловушка — складывать баллы из разных источников в один рейтинг. Vellum, OpenAI и Artificial Analysis показывают разные наборы тестов и разные контексты оценки, поэтому их цифры лучше читать как отдельные срезы, а не как единую турнирную таблицу .

Вторая ловушка — думать, что один coding-бенчмарк описывает всю разработку. Академическая работа по issue-solving benchmark прямо указывает, что HumanEval недостаточен для оценки возможностей LLM в реальных задачах, а бенчмарки вроде SWE-Bench лучше отражают решение практических проблем в коде .

Третья ловушка — путать длину контекста с точностью. DeepSeek V4 Pro имеет 1000k токенов контекста в таблице Artificial Analysis, но тот же источник сообщает hallucination rate 94% для DeepSeek V4 Pro . Для production-сценариев это означает простую вещь: нужен собственный набор тестов на ваших данных, с проверкой фактов, регрессионными задачами и понятной процедурой отката.

Итог

Если нужен один практичный ориентир, он такой: GPT-5.5 сильнее выглядит для agentic, terminal и tool workflow; Claude Opus 4.7 — для software engineering по SWE-Bench Pro; DeepSeek V4 Pro — для задач с очень длинным контекстом, но с обязательной проверкой ответов; Kimi K2.6 — для open-weight multimodal сценариев, где важны изображения, видео и доступность весов .

Абсолютного победителя по всем четырём моделям эти данные не доказывают. Лучший выбор — не лидер общего рейтинга, а модель, которая выигрывает именно в вашем типе задач и проходит ваш внутренний тест качества.