studioglobal
Популярное в «Открыть»
ОтчетыОпубликовано20 источники

Claude Opus 4.7 против GPT-5.5, DeepSeek V4 и Kimi K2.6: кто сильнее по бенчмаркам

Claude Opus 4.7 лучше всего подтвержден публичными данными для coding и агентных задач: Vals AI дает ему 82,00% в SWE bench, а Anthropic сообщает 0,715 во внутреннем research agent benchmark [17][16]. GPT 5.5 выглядит очень сильным в reasoning: O Mega указывает 93,6% в GPQA Diamond, 85,0% в ARC AGI 2 и 95,0% в ARC A...

Искать и проверять факты с Studio Global AIСмотреть больше в «Открыть»
3.7K0
Comparativa de benchmarks 2026 entre Claude Opus 4.7, GPT-5.5, DeepSeek V4 y Kimi K2.6
Claude Opus 4.7 vs GPT-5.5 vs DeepSeek V4 vs Kimi K2.6: comparativa de benchmarks 2026Comparativa editorial de cuatro modelos frontier y emergentes según benchmarks públicos disponibles.
Промпт ИИ

Create a landscape editorial hero image for this Studio Global article: Claude Opus 4.7 vs GPT-5.5 vs DeepSeek V4 vs Kimi K2.6: comparativa de benchmarks 2026. Article summary: La lectura más defendible es que Claude Opus 4.7 tiene la mejor evidencia pública: Vals AI lo sitúa en 82.00% en SWE bench, actualizado el 24/04/2026, y Anthropic reporta 0.715 en su benchmark interno de research agen.... Topic tags: ai, ai benchmarks, llm, claude, openai. Reference image context from search candidates: Reference image 1: visual subject "# DeepSeek V4 vs Claude vs GPT-5.5. Claude Opus 4.6 is no longer Anthropic's flagship — Opus 4.7 shipped on April 16, 2026, at the same $5/$25 price. If you're evaluating "best Ant" source context "DeepSeek V4 vs Claude vs GPT-5.5 - Verdent AI" Reference image 2: visual subject "[Kimi K2 vs Claude Opus 4.7 vs GPT 5.5 Comparison](https://www.youtube.com/watch?v=M90

openai.com

Сравнивать Claude Opus 4.7, GPT-5.5, DeepSeek V4/V4 Pro и Kimi K2.6 как участников одной идеально измеренной лиги нельзя. Доказательная база неровная: по Claude есть официальная публикация Anthropic и сильный внешний сигнал от Vals AI [16][17]; по GPT-5.5 заметные цифры reasoning приходят в основном из O-Mega, Vellum и BenchLM [3][6][12]; по DeepSeek данные относятся к разным вариантам — V4, V4 Pro и V4 Pro High [25][26][27]; по Kimi K2.6 пока видны только отдельные показатели, включая 0,91 в GPQA у LLM Stats и попадание в топ-10 WhatLLM по Quality Index [7][21].

Короткий вердикт

МодельСамая аккуратная интерпретацияНадежность доказательств
Claude Opus 4.7Самый сильный публично подтвержденный кейс для coding, агентных задач и многошаговой работы. Anthropic сообщает 0,715 во внутреннем benchmark для research-agent, а Vals AI ставит модель первой в SWE-bench с 82,00% [16][17].Высокая/средняя
GPT-5.5Очень силен в общем reasoning: O-Mega указывает 92,4% в MMLU, 93,6% в GPQA Diamond, 85,0% в ARC-AGI-2 и 95,0% в ARC-AGI-1 [3].Средняя
DeepSeek V4 / V4 ProПерспективен для coding и технических экспериментов, но источники смешивают варианты DeepSeek V4, V4 Pro и V4 Pro High, поэтому цифры нельзя автоматически переносить с одной версии на другую [25][27].Средняя/низкая
Kimi K2.6Есть частичные сигналы — LLM Stats показывает 0,91 в GPQA, WhatLLM включает модель в топ-10 по Quality Index, — но не хватает широкой сопоставимой базы бенчмарков [7][21].Низкая

Сравнительная таблица: где есть числа

Бенчмарк или метрикаClaude Opus 4.7GPT-5.5DeepSeek V4 / V4 ProKimi K2.6Что это говорит
SWE-bench82,00% у Vals AI, страница обновлена 24.04.2026 [17]В доступных источниках нет сопоставимой цифры81% заявлен NxCode для DeepSeek V4 [26]В доступных источниках нет сопоставимой цифрыСамый чистый внешний сигнал здесь — в пользу Claude.
SWE-bench Verified87,6% по Vellum; 83,5% ± 1,7 по LMCouncil [20][9]В доступных источниках нет сопоставимой цифрыHugging Face перечисляет SWE-bench Verified в общественной оценке DeepSeek-V4-Pro, но в найденной выжимке нет видимой цифры [25]В доступных источниках нет сопоставимой цифрыРезультаты зависят от источника, конфигурации и варианта теста.
SWE-bench Pro64,3% по Vellum [20]В доступных источниках нет сопоставимой цифрыHugging Face перечисляет SWE-bench Pro в общественной оценке, но без видимой цифры в найденной выжимке [25]В доступных источниках нет сопоставимой цифрыВажнее для долгих агентных задач в разработке ПО, чем обычные coding-тесты.
GPQA Diamond94,2% по O-Mega, Vellum и TNW [3][12][15]93,6% по O-Mega и Vellum [3][12]Упоминается в общественных наборах оценок, но без сопоставимой видимой цифры в найденной выжимке [25]0,91 у LLM Stats [7]Claude и GPT-5.5 слишком близки, чтобы выбирать победителя только по GPQA.
MMLUВ доступных источниках нет сопоставимой цифры92,4% по O-Mega [3]MMLU-Pro есть в общественной оценке, но без видимой цифры в найденной выжимке [25]В доступных источниках нет сопоставимой цифрыMMLU стоит взвешивать слабо: у топ-моделей он уже насыщен.
ARC-AGIВ доступных источниках нет сопоставимой цифрыARC-AGI-2: 85,0%; ARC-AGI-1: 95,0% по O-Mega [3]В доступных источниках нет сопоставимой цифрыВ доступных источниках нет сопоставимой цифрыУсиливает аргумент в пользу GPT-5.5 по reasoning, но источник остается сторонним.
Research-agent / многошаговая работа0,715 во внутреннем benchmark Anthropic [16]В доступных источниках нет сопоставимой цифрыBenchLM дает 83,8/100 в категории Agentic для DeepSeek V4 Pro High [27]В доступных источниках нет сопоставимой цифрыПолезно как направление возможностей, но метрики не эквивалентны.
Длинный контекст / Needle-in-a-HaystackAnthropic утверждает, что Opus 4.7 показал самую стабильную long-context производительность среди протестированных ею моделей [16]В доступных источниках нет сопоставимой цифрыNxCode сообщает 97% на 1 млн токенов, но сама подача зависит от независимой проверки [26]В доступных источниках нет сопоставимой цифрыУ DeepSeek сильное заявление, но не закрытый вывод.
LiveCodeBench / CodeforcesВ доступных источниках нет сопоставимой цифрыВ доступных источниках нет сопоставимой цифрыRedreamality указывает LiveCodeBench 93,5 и Codeforces 3206 для DeepSeek V4 [30]В доступных источниках нет сопоставимой цифрыХороший сигнал для чистого coding, но он не решает вопрос агентной разработки.

Почему один общий победитель — плохая формулировка

Главная ловушка таких сравнений — складывать в одну корзину разные тесты. SWE-bench оценивает решение реальных задач software engineering; Vals AI описывает его как бенчмарк для производственных задач разработки ПО [17]. SWE-bench Pro надо читать отдельно: работа о нем представляет этот вариант как существенно более сложный benchmark для long-horizon software engineering tasks [38].

GPQA Diamond полезен для научного reasoning, но уже плохо разделяет модели верхнего уровня. TNW отмечает, что в GPQA Diamond результаты Opus 4.7, GPT-5.4 Pro и Gemini 3.1 Pro находятся настолько близко, что различия попадают в шум измерения [15]. С MMLU осторожность еще важнее: Nanonets пишет, что в 2026 году топ-модели уже набирают выше 88%, поэтому тест слишком насыщен, чтобы тонко различать лидеров [1].

Есть и вопрос происхождения цифр. Официальная публикация лаборатории, независимый leaderboard, агрегатор и обсуждение в сообществе — это разные уровни доказательности. Показательный пример: BenchLM отслеживает Claude Opus 4.7, но исключает профиль из публичного leaderboard, потому что пока не хватает достаточного объема публичного негенерированного покрытия для безопасного ранжирования [14].

Claude Opus 4.7: самый сильный публичный кейс для coding и агентов

Claude Opus 4.7 — модель с наиболее плотной доказательной базой в этой четверке. Anthropic сообщает, что Opus 4.7 разделил лучший общий результат во внутреннем research-agent benchmark с 0,715 и показал самую стабильную long-context производительность среди протестированных моделей [16]. Это внутренний тест, а не независимый leaderboard, но он ясно показывает, куда Anthropic позиционирует модель: многошаговая работа, контекст и дисциплина при работе с данными.

Внешний сигнал сильнее всего виден в SWE-bench. Vals AI ставит Claude Opus 4.7 на первое место с 82,00% на странице, обновленной 24 апреля 2026 года [17]. Vellum указывает 87,6% в SWE-bench Verified и 64,3% в SWE-bench Pro [20]. LMCouncil, в свою очередь, приводит 83,5% ± 1,7 для Claude Opus 4.7 в SWE-bench Verified [9].

Правильный вывод — не выбрать одну цифру и выбросить остальные. Гораздо честнее сказать, что Claude стабильно находится в верхней зоне, а местами лидирует в задачах software engineering, но SWE-bench, SWE-bench Verified и SWE-bench Pro — не один и тот же тест, и результаты могут расходиться из-за методологии, даты, подмножества задач или конфигурации [17][20][38].

В научном reasoning Claude Opus 4.7 получает 94,2% в GPQA Diamond у O-Mega, Vellum и TNW [3][12][15]. Но TNW отдельно предупреждает, что этот benchmark сжат между frontier-моделями, поэтому одного GPQA недостаточно для объявления глобального победителя [15].

GPT-5.5: очень сильный reasoning, но меньше официальной трассируемости

GPT-5.5 лучше всего выглядит в наборах reasoning-метрик. O-Mega сообщает 92,4% в MMLU, 93,6% в GPQA Diamond, 85,0% в ARC-AGI-2 и 95,0% в ARC-AGI-1 [3]. Vellum также ставит GPT-5.5 на 93,6% в GPQA Diamond, ниже Claude Opus 4.7 в этой конкретной таблице [12]. BenchLM относит GPT-5.5 к верхнему уровню: 89/100 в provisional leaderboard и 2-е место из 16 в verified leaderboard [6].

Главная оговорка — трассируемость. В доступном наборе источников GPT-5.5 представлен в статьях, агрегаторах и benchmark-страницах, но не найден официальный набор результатов OpenAI, сопоставимый по полноте с публикацией Anthropic по Claude Opus 4.7. Appwrite пишет о запуске GPT-5.5 24 апреля 2026 года и указывает, что OpenAI выпустила модель 23 апреля; Vals перечисляет openai/gpt-5.5 с датой релиза 23.04.2026 и Vals Index 67,76% ± 1,79 [2][11]. Это полезные ориентиры, но не замена официальной benchmark card.

Для управленческой презентации GPT-5.5 стоит показывать как модель первого эшелона в reasoning — особенно из-за GPQA и ARC-AGI. Но если критерий — однородная и публично проверяемая доказательная база по всем моделям, называть GPT-5.5 глобальным победителем преждевременно [3][6][12].

DeepSeek V4 / V4 Pro: многообещающе, но версии смешиваются

DeepSeek — самый неоднозначный случай по версиям. В источниках встречаются DeepSeek V4, DeepSeek V4 Pro и DeepSeek V4 Pro High, поэтому нельзя механически переносить цифру одной версии на другую [25][26][27].

На Hugging Face есть общественное обсуждение для DeepSeek-V4-Pro с результатами или наборами оценок по GPQA, GSM8K, HLE, MMLU-Pro, SWE-bench Pro, SWE-bench Verified и Terminal-Bench 2.0 [25]. BenchLM для DeepSeek V4 Pro High указывает 83,8/100 в Agentic, 88,8/100 в Coding и 72,1/100 в Knowledge [27]. NxCode заявляет, что DeepSeek V4 достигает 81% в SWE-bench и 97% в Needle-in-a-Haystack на 1 млн токенов, но сама подача 97% требует независимого подтверждения [26].

Redreamality добавляет еще один положительный сигнал для чистого coding: LiveCodeBench 93,5 и Codeforces 3206 для DeepSeek V4 [30]. Но тот же источник резюмирует, что в long-horizon агентной работе — например, SWE-bench Pro и Terminal-Bench 2.0 — закрытые frontier-модели все еще впереди [30].

Практическая интерпретация такая: DeepSeek V4/V4 Pro стоит тестировать внутри команды, особенно если важны контроль над стеком, открытая экосистема, локальный контур или стоимость. Но по доступным источникам у DeepSeek пока нет такой же чистой публичной опоры, как у Claude в SWE-bench и во внутреннем benchmark Anthropic [16][17][25][27].

Kimi K2.6: есть сигналы, но нет полноценной картины

Kimi K2.6 не стоит вычеркивать из списка, но и ставить рядом с Claude Opus 4.7, GPT-5.5 и DeepSeek V4/V4 Pro как полностью сопоставимую модель пока рано. LLM Stats показывает для Kimi K2.6 0,91 в GPQA, а WhatLLM включает модель в топ-10 по Quality Index [7][21]. Это говорит о наличии benchmark-сигналов, но не дает широкой картины по coding, агентным задачам, long context и reasoning.

Отдельная методологическая ошибка — незаметно заменить Kimi K2.6 на Kimi K2.5. Simon Willison в феврале 2026 года разбирал результат Kimi K2.5 в SWE-bench Verified, но это другая версия модели [8]. Для строгого сравнения Kimi K2.6 нужно помечать как модель с недостаточной сопоставимой доказательной базой.

Выбор по сценарию использования

СценарийРекомендацияУверенностьПочему
Исправление реальных issues и agentic codingClaude Opus 4.7Высокая/средняяVals AI ставит модель первой в SWE-bench с 82,00%, а Vellum показывает сильные результаты в SWE-bench Verified и SWE-bench Pro [17][20].
Многошаговые research-agent задачиClaude Opus 4.7СредняяAnthropic сообщает 0,715 во внутреннем benchmark и лучшую стабильность long-context среди протестированных моделей [16].
Научный reasoning уровня GPQAClaude Opus 4.7 или GPT-5.5СредняяClaude получает 94,2%, GPT-5.5 — 93,6%; разница небольшая, а GPQA уже сжат между топ-моделями [3][12][15].
Широкий общий reasoningGPT-5.5Средняя/низкаяЦифры по MMLU, GPQA и ARC-AGI сильные, но в основном идут от O-Mega, Vellum, BenchLM и других сторонних источников [3][6][12].
Эксперименты с открытым или локальным техническим контуромDeepSeek V4 / V4 ProСредняя/низкаяЕсть сигналы от Hugging Face, BenchLM, NxCode и Redreamality, но версии смешиваются и нужна собственная валидация [25][26][27][30].
Полный количественный рейтинг с равной доказательной базойНе использовать Kimi K2.6 как проверенный аналогНизкаяЕсть частичные сигналы вроде GPQA 0,91 у LLM Stats, но не хватает сопоставимого покрытия [7][21].

Как вынести это на презентацию и не переобещать

Самый безопасный формат — разделить производительность и качество доказательств. На одном слайде можно показать рекомендации по сценариям, на втором — таблицу чисел, на третьем — ограничения методологии.

Главный тезис должен быть простым: Claude Opus 4.7 — лучше всего подтвержденный лидер для coding и агентных задач; GPT-5.5 — самый сильный соперник в общем reasoning; DeepSeek V4/V4 Pro — перспективная техническая альтернатива, которую надо проверять на своих задачах; Kimi K2.6 пока остается в зоне ожидания данных.

Методологические оговорки обязательны. Во-первых, не смешивать SWE-bench, SWE-bench Verified и SWE-bench Pro: SWE-bench Pro специально нацелен на более трудные long-horizon задачи software engineering [38]. Во-вторых, не строить решение на одном MMLU, потому что у топ-моделей этот benchmark уже слишком насыщен [1]. В-третьих, возле каждой цифры стоит отмечать тип источника: официальная публикация, независимый leaderboard, агрегатор, общественная оценка или технический claim.

Итог

Если цель — выбрать модель для презентации с максимально защищаемой доказательной базой, первым номером должен идти Claude Opus 4.7: у него есть официальная публикация Anthropic, лидерство в Vals SWE-bench и сильные результаты в вариантах SWE-bench по сторонним источникам [16][17][20]. GPT-5.5 стоит показывать как конкурента первого уровня в reasoning, но с пометкой, что найденные цифры в основном вторичные или агрегированные [3][6][12]. DeepSeek V4/V4 Pro заслуживает внутреннего теста, а не объявления победителем [25][26][27][30]. Kimi K2.6 на текущей базе данных корректнее оставить как модель с недостаточным сопоставимым покрытием [7][21].

Studio Global AI

Search, cite, and publish your own answer

Use this topic as a starting point for a fresh source-backed answer, then compare citations before you share it.

Искать и проверять факты с Studio Global AI

Ключевые выводы

  • Claude Opus 4.7 лучше всего подтвержден публичными данными для coding и агентных задач: Vals AI дает ему 82,00% в SWE bench, а Anthropic сообщает 0,715 во внутреннем research agent benchmark [17][16].
  • GPT 5.5 выглядит очень сильным в reasoning: O Mega указывает 93,6% в GPQA Diamond, 85,0% в ARC AGI 2 и 95,0% в ARC AGI 1, но основная доказательная база здесь — сторонние источники и агрегаторы [3].
  • DeepSeek V4/V4 Pro перспективен как техническая альтернатива, но данные смешивают варианты V4, V4 Pro и V4 Pro High; по Kimi K2.6 есть лишь частичные сигналы вроде 0,91 в GPQA у LLM Stats [25][26][27][7].

Люди также спрашивают

Каков краткий ответ на вопрос «Claude Opus 4.7 против GPT-5.5, DeepSeek V4 и Kimi K2.6: кто сильнее по бенчмаркам»?

Claude Opus 4.7 лучше всего подтвержден публичными данными для coding и агентных задач: Vals AI дает ему 82,00% в SWE bench, а Anthropic сообщает 0,715 во внутреннем research agent benchmark [17][16].

Какие ключевые моменты необходимо проверить в первую очередь?

Claude Opus 4.7 лучше всего подтвержден публичными данными для coding и агентных задач: Vals AI дает ему 82,00% в SWE bench, а Anthropic сообщает 0,715 во внутреннем research agent benchmark [17][16]. GPT 5.5 выглядит очень сильным в reasoning: O Mega указывает 93,6% в GPQA Diamond, 85,0% в ARC AGI 2 и 95,0% в ARC AGI 1, но основная доказательная база здесь — сторонние источники и агрегаторы [3].

Что мне делать дальше на практике?

DeepSeek V4/V4 Pro перспективен как техническая альтернатива, но данные смешивают варианты V4, V4 Pro и V4 Pro High; по Kimi K2.6 есть лишь частичные сигналы вроде 0,91 в GPQA у LLM Stats [25][26][27][7].

Какую связанную тему мне следует изучить дальше?

Продолжайте с «Northwest и Southeast timber: почему ответ — «larger; larger»», чтобы увидеть другой ракурс и дополнительные цитаты.

Открыть связанную страницу

С чем мне это сравнить?

Сверьте этот ответ с «DeepSeek против OpenAI, Claude, Gemini и Grok: решат цена и доверие, а не рейтинги».

Открыть связанную страницу

Продолжайте свое исследование

木材市場與需求彈性概念的編輯插圖

Northwest и Southeast timber: почему ответ — «larger; larger»

Почему при большей заменяемости Northwest и Southeast timber обе эластичности становятся larger

抽象 AI 晶片與多個聊天機器人平台競爭的示意圖，象徵 DeepSeek 挑戰 OpenAI、Claude、Gemini 與 Grok

DeepSeek против OpenAI, Claude, Gemini и Grok: решат цена и доверие, а не рейтинги

Сможет ли DeepSeek обойти OpenAI, Claude, Gemini и Grok?

Illustration of an AI coding agent connected to cloud database and backup systems

Инцидент PocketOS: что на самом деле показывает история с Claude, Cursor и удалённой базой

Удаление базы PocketOS: урок не в том, что «ИИ сошёл с ума»

抽象的 GitHub Copilot 代理工作流和基础设施容量压力示意图

Почему GitHub Copilot вводит лимиты: AI‑агенты ломают старую модель подписки

GitHub Copilot и лимиты: как AI‑агенты меняют расчёт мощности и стоимости

Исследовательский разговор

Вы

Вопрос исследования

Investiga los benchmarks de Claude Opus 4.7, GPT-5.5, DeepSeek V4 y Kimi K2.6, y compáralos de la forma más completa posible en formato de informe de investigación para su presentación.

Studio Global AI40 источники

Цитируемый ответ

La comparación más honesta es parcial: Claude Opus 4.7 es el modelo con mejor soporte público para benchmarks de coding y agente, GPT-5.5 aparece fuerte en razonamiento según fuentes secundarias, DeepSeek V4/V4 Pro muestra señales competitivas pero con evidencia más comunitaria/provisional, y para Kimi K2.6 no encontré evidencia citable suficiente. Para una presentación ejecutiva, recomiendo mostrar a Claude como el líder mejor respaldado en SWE-bench, a GPT-5.5 como competidor fuerte pero menos verificable públicamente, a DeepSeek como alternativa abierta/prometedora pendiente de validación, y a Kimi K2.6 como “Insufficient evidence”.

Key findings

  • Claude Opus 4.7 tiene la evidencia más sólida del conjunto porque aparece en una fuente oficial de Anthropic con un benchmark interno de research-agent y en fuentes externas de coding como SWE-bench/Vals AI [1][2].

  • En SWE-bench, Vals AI reporta que Claude Opus 4.7 lidera con 82.00% en una página actualizada el 24 de abril de 2026 [2].

  • Hay conflicto entre fuentes sobre el rendimiento de Claude en SWE-bench: Vals AI reporta 82.00%, mientras que Vellum reporta 87.6% en SWE-bench Verified y 64.3% en SWE-bench Pro [2][15].

  • En GPQA Diamond, TNW reporta 94.2% para Claude Opus 4.7 y señala que las diferencias entre modelos frontier en ese benchmark están dentro del ruido de medición [3].

  • GPT-5.5 tiene métricas fuertes en fuentes secundarias: O-Mega reporta MMLU 92.4%, GPQA Diamond 93.6%, ARC-AGI-2 85.0% y ARC-AGI-1 95.0% [4].

  • No encontré una fuente oficial de OpenAI en el corpus recuperado para validar los benchmarks de GPT-5.5, por lo que sus resultados deben presentarse como “provisionales / secundarios”.

  • DeepSeek aparece principalmente como DeepSeek V4 Pro o V4 Pro High en las fuentes recuperadas, no siempre como “DeepSeek V4” base [6][8].

  • Para DeepSeek V4/V4 Pro, la evidencia combina discusión comunitaria de Hugging Face, agregadores y blogs técnicos, por lo que su comparabilidad con Claude y GPT-5.5 es menor [6][7][8][9].

  • Kimi K2.6 no cuenta con evidencia suficiente en las fuentes recuperadas; no recomiendo incluirlo en una tabla de ranking como si tuviera benchmarks verificados.

Metodología de lectura

  • Prioricé fuentes oficiales, leaderboards especializados, discusiones técnicas con trazabilidad y fuentes académicas sobre benchmarks [1][2][6][10][11].

  • Clasifiqué la evidencia en cuatro niveles: oficial, benchmark independiente, agregador/comunidad y blog o análisis secundario [1][2][4][6][8].

  • No traté como equivalentes los resultados de SWE-bench, SWE-bench Verified y SWE-bench Pro, porque SWE-bench Pro se define como una variante más desafiante y orientada a tareas de ingeniería de software de largo horizonte [10].

  • Consideré MMLU como métrica de bajo poder discriminativo para modelos frontier, ya que una fuente de explicación de benchmarks indica que en 2026 los modelos top superan el 88% y el benchmark está muy saturado [12].

Matriz comparativa ejecutiva

ModeloEstado de evidenciaBenchmarks más relevantes recuperadosLectura ejecutiva
Claude Opus 4.7Alta-mediaResearch-agent interno 0.715 y fuerte rendimiento de long-context según Anthropic; SWE-bench 82.00% según Vals AI; GPQA Diamond 94.2% según TNW [1][2][3]Mejor candidato para presentarlo como líder respaldado en coding/agente, con cautela por diferencias entre fuentes [2][15]
GPT-5.5Media-bajaMMLU 92.4%, GPQA Diamond 93.6%, ARC-AGI-2 85.0% y ARC-AGI-1 95.0% según O-Mega [4]Muy fuerte en razonamiento según fuentes secundarias, pero falta validación oficial en el corpus recuperado [4][5]
DeepSeek V4 / V4 ProMedia-bajaBenchLM reporta DeepSeek V4 Pro High con Agentic 83.8/100 y Coding 88.8/100; NxCode habla de 81% en SWE-bench y 97% en Needle-in-a-Haystack a 1M tokens como resultado reclamado [7][8]Alternativa competitiva, especialmente si se valora ecosistema abierto/local, pero requiere validación independiente antes de una decisión ejecutiva [6][8][9]
Kimi K2.6Insufficient evidenceNo hay benchmark citable suficiente en las fuentes recuperadasNo incluir como comparable verificado; pedir fuente oficial o leaderboard antes de presentarlo

Benchmarks numéricos recuperados

Benchmark / métricaClaude Opus 4.7GPT-5.5DeepSeek V4 / V4 ProKimi K2.6
SWE-bench82.00% según Vals AI [2]No recuperado en fuente suficientemente comparable81% reclamado en una fuente secundaria sobre DeepSeek V4 [7]Insufficient evidence
SWE-bench Verified87.6% según Vellum [15]No recuperadoIncluido como benchmark evaluado en discusión comunitaria de DeepSeek-V4-Pro, sin cifra visible en el resumen recuperado [6]Insufficient evidence
SWE-bench Pro64.3% según Vellum [15]No recuperadoIncluido en la discusión comunitaria de DeepSeek-V4-Pro, sin cifra visible en el resumen recuperado [6]Insufficient evidence
GPQA Diamond94.2% según TNW y O-Mega [3][4]93.6% según O-Mega [4]Mencionado dentro de suites comunitarias, sin cifra visible en el resumen recuperado [6][9]Insufficient evidence
MMLUNo recuperado con cifra comparable92.4% según O-Mega [4]MMLU-Pro aparece como evaluación comunitaria, sin cifra visible en el resumen recuperado [6]Insufficient evidence
ARC-AGI-2No recuperado85.0% según O-Mega [4]No recuperadoInsufficient evidence
ARC-AGI-1No recuperado95.0% según O-Mega [4]No recuperadoInsufficient evidence
Research-agent / tareas multi-step0.715 en benchmark interno de Anthropic [1]No recuperadoBenchLM reporta categoría Agentic 83.8/100 para DeepSeek V4 Pro High [8]Insufficient evidence
Long-context / Needle-in-a-HaystackAnthropic afirma rendimiento long-context muy consistente [1]No recuperadoNxCode reporta 97% a 1M tokens como resultado reclamado, condicionado a validación independiente [7]Insufficient evidence
LiveCodeBench / CodeforcesNo recuperadoNo recuperadoRedreamality reporta LiveCodeBench 93.5 y Codeforces 3206 para DeepSeek V4 [9]Insufficient evidence

Análisis por modelo

Claude Opus 4.7

Claude Opus 4.7 es el modelo mejor respaldado del conjunto porque tiene una página oficial de Anthropic y resultados externos de SWE-bench [1][2].

Anthropic afirma que Opus 4.7 empató el mejor resultado global en su benchmark interno de research-agent con 0.715 y que mostró el rendimiento long-context más consistente entre los modelos evaluados [1].

Vals AI reporta que Claude Opus 4.7 lidera SWE-bench con 82.00% en una página actualizada el 24 de abril de 2026 [2].

Vellum reporta cifras más altas para Claude, con 87.6% en SWE-bench Verified y 64.3% en SWE-bench Pro [15].

La diferencia entre 82.00% y 87.6% debe tratarse como una discrepancia de metodología, subconjunto o configuración, no como una mejora confirmada única [2][15].

En razonamiento científico, TNW reporta 94.2% en GPQA Diamond para Claude Opus 4.7 y contextualiza que los modelos frontier están muy cerca entre sí en ese benchmark [3].

GPT-5.5

GPT-5.5 aparece muy fuerte en razonamiento general según O-Mega, que reporta MMLU 92.4%, GPQA Diamond 93.6%, ARC-AGI-2 85.0% y ARC-AGI-1 95.0% [4].

Appwrite publicó un artículo titulado “GPT-5.5 is here” con foco en benchmarks, pricing y cambios para desarrolladores el 24 de abril de 2026, pero se trata de una fuente secundaria y no de una ficha oficial de OpenAI [5].

La evidencia recuperada no permite confirmar con una fuente oficial de OpenAI los benchmarks de GPT-5.5, por lo que sus puntuaciones deben etiquetarse como “terceros / no verificadas oficialmente”.

Para una presentación, GPT-5.5 puede colocarse como competidor muy fuerte en razonamiento, pero no como ganador global si se exige trazabilidad oficial comparable a la de Claude [1][4][5].

DeepSeek V4 / V4 Pro

La evidencia recuperada para DeepSeek se concentra en variantes como DeepSeek V4 Pro y DeepSeek V4 Pro High, lo que impide asumir automáticamente que las cifras representan al modelo base DeepSeek V4 [6][8].

Hugging Face muestra una discusión comunitaria para DeepSeek-V4-Pro con evaluaciones en GPQA, GSM8K, HLE, MMLU-Pro, SWE-bench Pro, SWE-bench Verified y Terminal-Bench 2.0 [6].

BenchLM reporta para DeepSeek V4 Pro High una categoría Agentic de 83.8/100 y una categoría Coding de 88.8/100 [8].

NxCode presenta DeepSeek V4 como un modelo de 1T parámetros con 81% en SWE-bench y 97% en Needle-in-a-Haystack a 1M tokens, pero el propio resumen indica que la cifra de 97% debe sostenerse bajo pruebas independientes para ser concluyente [7].

Redreamality reporta que DeepSeek V4 alcanza LiveCodeBench 93.5 y Codeforces 3206, y al mismo tiempo afirma que los modelos cerrados siguen liderando en tareas agentic de largo horizonte [9].

Para una presentación, DeepSeek debe mostrarse como “competidor técnico prometedor” y no como líder validado, salvo que el equipo disponga de benchmarks internos reproducibles [6][7][8][9].

Kimi K2.6

No encontré benchmarks citables suficientes para Kimi K2.6 en las fuentes recuperadas.

No recomiendo sustituir Kimi K2.6 por Kimi K2.5 u otra variante, porque eso mezclaría modelos diferentes y degradaría la validez de la comparación.

La forma más segura de presentarlo es como “pendiente de validación” o “Insufficient evidence”.

Ranking por escenario de uso

EscenarioModelo recomendadoJustificación
Coding y resolución de issues realesClaude Opus 4.7Vals AI lo reporta como líder en SWE-bench con 82.00%, y Vellum también lo ubica fuerte en SWE-bench Verified y SWE-bench Pro [2][15]
Razonamiento general / cienciaClaude Opus 4.7 o GPT-5.5Claude aparece con 94.2% en GPQA Diamond, mientras GPT-5.5 aparece con 93.6% en O-Mega; la diferencia es pequeña y debe leerse con cautela [3][4]
Agentes y tareas multi-stepClaude Opus 4.7Anthropic reporta 0.715 en su benchmark interno de research-agent y fuerte consistencia long-context [1]
Alternativa abierta / ecosistema técnicoDeepSeek V4 ProBenchLM y Hugging Face muestran suites de evaluación amplias para DeepSeek V4 Pro, aunque la evidencia es menos oficial que la de Claude [6][8]
Presentación con evidencia verificableClaude Opus 4.7Es el único del conjunto con fuente oficial clara y señales externas de benchmark en el corpus recuperado [1][2]
Inclusión de Kimi K2.6No recomendadoInsufficient evidence

Evidence notes

  • La fuente más fuerte para Claude es oficial, pero su benchmark de research-agent es interno y no necesariamente reproducible por terceros [1].

  • Vals AI es la fuente más limpia para una comparación de SWE-bench porque reporta directamente un leaderboard de SWE-bench actualizado el 24 de abril de 2026 [2].

  • Vellum aporta más detalle para SWE-bench Verified y SWE-bench Pro, pero sus cifras no coinciden con Vals AI y deben presentarse como una fuente alternativa [15].

  • O-Mega aporta varias cifras útiles para GPT-5.5, pero debe tratarse como fuente secundaria hasta que exista una ficha oficial o un leaderboard independiente reproducible [4].

  • La discusión de Hugging Face para DeepSeek-V4-Pro demuestra actividad comunitaria de evaluación, pero no equivale por sí sola a una publicación oficial o a un benchmark auditado [6].

  • SWE-bench Pro es especialmente relevante para comparar agentes de software porque evalúa tareas más difíciles y de mayor horizonte que benchmarks de coding más simples [10].

  • MMLU debe tener menor peso en la decisión porque fuentes de explicación de benchmarks indican saturación entre modelos top en 2026 [12].

Limitations / uncertainty

  • Insufficient evidence para Kimi K2.6.

  • No recuperé una fuente oficial de OpenAI con benchmark card de GPT-5.5, por lo que cualquier cifra de GPT-5.5 en este informe debe etiquetarse como secundaria.

  • No recuperé una fuente oficial de DeepSeek que consolide los r

Источники

  • [1] AI Benchmarks Explained: GPQA, SWE-bench & Arena Elonanonets.com

    How the score is calculated: Before each question, the model is shown 5 example questions with correct answers, this is called 5-shot prompting. Then comes the real question. Score = correct answers ÷ total questions, expressed as a percentage. Why it's nea...

  • [2] GPT-5.5 is here: benchmarks, pricing, and what changes ... - Appwriteappwrite.io

    Star on GitHub 55.8KGo to Console Start building for free Sign upGo to Console Start building for free Products Docs Pricing Customers Blog Changelog Star on GitHub 55.8K Blog/GPT-5.5 is here: benchmarks, pricing, and what changes for developers Apr 24, 202...

  • [3] GPT-5.5: The Complete Guide (2026) - o-mega | AIo-mega.ai

    Reasoning, Math, and Science Benchmark GPT-5.5 GPT-5.5 Pro GPT-5.4 Claude Opus 4.7 Gemini 3.1 Pro --- --- --- MMLU 92.4% - - GPQA Diamond 93.6% 92.8% 94.2% 94.3% ARC-AGI-2 85.0% 73.3% 77.1% ARC-AGI-1 95.0% 93.7% - FrontierMath T1-3 51.7% 52.4% 47.6% 43.8% F...

  • [6] GPT-5.5 Benchmarks 2026: Scores, Rankings & Performancebenchlm.ai

    Core Rankings Specialized Use Cases Dashboards Directories Guides & Lists Tools GPT-5.5 According to BenchLM.ai, GPT-5.5 ranks 5 out of 112 models on the provisional leaderboard with an overall score of 89/100. It also ranks 2 out of 16 on the verified lead...

  • [7] GPT-5.5: Pricing, Benchmarks & Performance - LLM Statsllm-stats.com

    9Image 42GPT-5 mini 0.22 10Image 43o3 0.16 GPQAView → 4 of 10 Image 44: LLM Stats Logo A challenging dataset of 448 multiple-choice questions written by domain experts in biology, physics, and chemistry. Questions are Google-proof and extremely difficult, w...

  • [8] SWE-bench February 2026 leaderboard updatesimonwillison.net

    Here's how the top ten models performed: Image 1: Bar chart showing "% Resolved" by "Model". Bars in descending order: Claude 4.5 Opus (high reasoning) 76.8%, Gemini 3 Flash (high reasoning) 75.8%, MiniMax M2.5 (high reasoning) 75.8%, Claude Opus 4.6 75.6%,...

  • [9] AI Model Benchmarks Apr 2026 | Compare GPT-5, Claude 4.5 ...lmcouncil.ai

    METR Time Horizons Model Minutes --- 1 Claude Opus 4.6 (unknown thinking) 718.8 ±1815.2 2 GPT-5.2 (high) 352.2 ±335.5 3 GPT-5.3 Codex 349.5 ±333.1 4 Claude Opus 4.5 (no thinking) 293.0 ±239.0 5 Claude Opus 4.5 (16k thinking) 288.9 ±558.2 SWE-bench Verified...

  • [11] GPT 5.5 - Vals AIvals.ai

    2/17/2026 Anthropic Claude Sonnet 4.6 2/16/2026 Alibaba Qwen 3.5 Plus 2/12/2026 MiniMax MiniMax-M2.5 2/12/2026 MiniMax MiniMax-M2.5 2/11/2026 zAI GLM 5 2/5/2026 Anthropic Claude Opus 4.6 (Nonthinking) 2/5/2026 Anthropic Claude Opus 4.6 (Thinking) 1/26/2026...

  • [12] LLM Leaderboard 2026 — Compare Top AI Models - Vellumvellum.ai

    93.6% GPT-5.5 92.4% GPT 5.2 91.9% Gemini 3 Pro Best in Reasoning (GPQA Diamond) Model Score --- Claude 3 Opus 95.4% Claude Opus 4.7 94.2% GPT-5.5 93.6% GPT 5.2 92.4% Gemini 3 Pro 91.9% Best in High School Math (AIME 2025) 100%96%93%89%86% 100% Gemini 3 Pro...

  • [14] Claude Opus 4.7 Benchmarks 2026: Scores, Rankings & Performance | BenchLM.aibenchlm.ai

    Core Rankings Specialized Use Cases Dashboards Directories Guides & Lists Tools Claude Opus 4.7 BenchLM is tracking Claude Opus 4.7, but this profile is currently excluded from the public leaderboard because it still lacks enough non-generated benchmark cov...

  • [15] Claude Opus 4.7 leads on SWE-bench and agentic ... - TNWthenextweb.com

    On graduate-level reasoning, measured by GPQA Diamond, the field has converged. Opus 4.7 scores 94.2%, GPT-5.4 Pro scores 94.4%, and Gemini 3.1 Pro scores 94.3%. The differences are within noise. The frontier models have effectively saturated this benchmark...

  • [16] Introducing Claude Opus 4.7 - Anthropicanthropic.com

    Image 7: logo Based on our internal research-agent benchmark, Claude Opus 4.7 has the strongest efficiency baseline we’ve seen for multi-step work. It tied for the top overall score across our six modules at 0.715 and delivered the most consistent long-cont...

  • [17] SWE-bench - Vals AIvals.ai

    Benchmarks Models Comparison Model Guide App Reports News About Benchmarks Models Comparison Model Guide App Reports About Coding SWE-bench SWE-bench Updated: 4/24/2026 Solving production software engineering tasks Key Takeaways Claude Opus 4.7 leads with a...

  • [20] Claude Opus 4.7 Benchmarks Explained - Vellumvellum.ai

    Coding is the clear headline. SWE-bench Verified jumps from 80.8% to 87.6%, a nearly 7-point gain that puts Opus 4.7 ahead of Gemini 3.1 Pro (80.6%). On SWE-bench Pro, the harder multi-language variant, Opus 4.7 goes from 53.4% to 64.3%, leapfrogging both G...

  • [21] WhatLLM.org: Compare LLMs by Benchmarks, Price & Speed — Live Rankingswhatllm.org

    whatllm? whatllm.org WhatLLM.org - LLM Comparison Tool The ultimate LLM comparison tool Compare price, performance, and speed across the entire AI ecosystem. Updated daily with the latest benchmarks. Top 10 Models Ranked by Quality Index across all benchmar...

  • [25] Add community evaluation results for GPQA, GSM8K, HLE, MMLU ...huggingface.co

    deepseek-ai/DeepSeek-V4-Pro · Add community evaluation results for GPQA, GSM8K, HLE, MMLU-PRO, SWE-BENCH PRO, SWE-BENCH VERIFIED, TERMINAL-BENCH-2.0 Image 1: Hugging Face's logoHugging Face Models Datasets Spaces Buckets new Docs Enterprise Pricing Log In S...

  • [26] DeepSeek V4 (2026): 1T Parameters, 81% SWE-bench ... - NxCodenxcode.io

    The claimed results: Metric Standard Attention Engram (DeepSeek V4) --- Needle-in-a-Haystack (1M tokens) 84.2% accuracy 97% accuracy Context Length Supported Varies (128K typical) 1M tokens If the 97% figure holds up under independent testing, this represen...

  • [27] DeepSeek V4 Pro (High) Benchmarks 2026 - BenchLM.aibenchlm.ai

    Category Performance PNG Embed Share Scores across all benchmark categories (0-100 scale) Category Breakdown Agentic 83.8/ 100 Weight: 22%5 benchmark s Terminal-Bench 2.0 BrowseComp OSWorld-Verified GAIA TAU-bench WebArena Coding 7 88.8/ 100 Weight: 20%6 be...

  • [30] Mapping the DeepSeek V4 Evaluation Suite: A Field Guide to 2026 ...redreamality.com

    The Takeaway The V4 scorecard confirms a pattern: for pure coding, open weights have caught up (LiveCodeBench 93.5, Codeforces 3206). For long-horizon agentic work (SWE-bench Pro, Terminal-Bench 2.0), closed frontier still leads. For frontier reasoning (HLE...

  • [38] Swe-bench pro: Can ai agents solve long-horizon software engineering tasks?arxiv.org

    … PRO, a substantially more challenging benchmark that builds … In our evaluation of widely used coding models, under a unified … Towards this end, this paper is motivated to (1) mitigate … 2025