Claude Opus 4.7 vs GPT-5.5: проверяемые бенчмарки 2026 года и статус DeepSeek V4/Kimi K2.6

Где цифры действительно сопоставимы

Ниже — только те строки, где Claude Opus 4.7 и GPT-5.5 сравниваются на одном и том же бенчмарке. GPT-5.5 Pro указан отдельно только там, где источник сам выделяет эту версию .

Как не попасть в ловушку бенчмарков

1. SWE-Bench Pro и SWE-bench Verified — не одно и то же

OpenAI в прямом сравнении GPT-5.5 и Claude Opus 4.7 использует SWE-Bench Pro Public . Это нельзя автоматически смешивать с SWE-bench Verified. BenchLM описывает SWE-bench Verified как проверенное людьми подмножество SWE-bench, где модели решают реальные GitHub-issue из популярных Python-репозиториев вроде Django, Flask и scikit-learn .

Поэтому результат Claude 64,3% в SWE-Bench Pro Public нельзя напрямую сравнивать с оценками Claude в SWE-bench Verified из других таблиц . Нужно совпадение не только названия модели, но и бенчмарка, harness, даты запуска и конфигурации.

2. GPQA Diamond уже плохо разделяет frontier-модели

Vellum ставит Claude Opus 4.7 на 94,2%, а GPT-5.5 — на 93,6% в GPQA Diamond . The Next Web также приводит близкие значения для frontier-моделей: Claude Opus 4.7 — 94,2%, GPT-5.4 Pro — 94,4%, Gemini 3.1 Pro — 94,3%, и отмечает, что такие различия находятся в пределах шума .

Вывод практичный: GPQA полезен как общий сигнал уровня рассуждения, но выбирать production-модель только по нему — слабая стратегия.

3. Сторонние лидерборды могут расходиться — и это нормально

Даже по SWE-bench Verified оценки Claude Opus 4.7 отличаются в разных источниках. BenchLM указывает Claude Opus 4.7 Adaptive с результатом 87,6% по состоянию на 24 апреля 2026 года . LLM Stats тоже приводит 87,6% . При этом LM Council показывает Claude Opus 4.7 max на уровне 83,5% ±1,7 , а MindStudio называет 82,4% .

Это не обязательно означает, что кто-то “ошибся”. Разница часто появляется из-за режима модели, набора разрешенных попыток, harness, даты тестирования и того, как leaderboard учитывает reasoning mode или retry. Для инженерной команды публичные цифры лучше использовать как фильтр для shortlist, а не как замену собственных тестов на своем репозитории и workflow.

Claude Opus 4.7: сильный кандидат для repo repair и multi-tool сценариев

Самый сильный сигнал по Claude Opus 4.7 — задачи исправления кода и агентные сценарии с активным использованием инструментов. В таблице OpenAI Claude опережает GPT-5.5 на SWE-Bench Pro Public: 64,3% против 58,6%, а также в FinanceAgent v1.1: 64,4% против 60,0% . Vellum дополнительно показывает преимущество Claude в MCP Atlas: 79,1% против 75,3% у GPT-5.5 .

Anthropic в launch note Claude Opus 4.7 также приводит партнерские оценки, релевантные для agentic workflows. По словам Anthropic, Hebbia увидела двузначный рост точности tool calls и планирования в orchestrator agents, а Rakuten-SWE-Bench сообщил, что Opus 4.7 решает в три раза больше production-задач, чем Opus 4.6, с двузначным ростом Code Quality и Test Quality . Это полезный продуктовый сигнал, но его все равно нужно отделять от независимой проверки на ваших данных.

Если приоритет — автономное исправление задач в репозитории, MCP/tool orchestration или длинные workflow с несколькими инструментами, Claude Opus 4.7 логично включить в тест первым. Но финальное решение должно зависеть от ваших test suite, модели прав доступа и реальных схем tool calls.

GPT-5.5: заметно сильнее в терминале, браузере, офисных задачах и части математики

У GPT-5.5 самое яркое преимущество — Terminal-Bench 2.0. OpenAI сообщает 82,7% для GPT-5.5 против 69,4% у Claude Opus 4.7 и 68,5% у Gemini 3.1 Pro . В той же таблице GPT-5.5 выше Claude по GDPval wins/ties — 84,9% против 80,3%, а также по OfficeQA Pro — 54,1% против 43,6% .

Vellum добавляет контекст по computer-use, поиску и reasoning. GPT-5.5 немного выше Claude в OSWorld-Verified — 78,7% против 78,0%; заметно выше в BrowseComp — 84,4% против 79,3%; и выше в FrontierMath T1–3 — 51,7% против 43,8% . Для BrowseComp Vellum отдельно указывает GPT-5.5 Pro с результатом 90,1% .

С кодингом картина смешанная. GPT-5.5 очень силен в терминальных workflow, но уступает Claude Opus 4.7 на SWE-Bench Pro Public в таблице OpenAI . В System Card OpenAI также описывает CoT-Control для GPT-5.5 — набор из более чем 13 000 задач, собранных на базе GPQA, MMLU-Pro, HLE, BFCL и SWE-Bench Verified . Однако этот источник не дает прямого сравнения GPT-5.5 с DeepSeek V4 или Kimi K2.6 .

DeepSeek V4 и Kimi K2.6: прямых доказательств пока нет

По DeepSeek V4 в доступных источниках нет прямого benchmark-результата. Ближайшая цифра относится к DeepSeek V3.2: MangoMind в рекомендациях для coding за апрель 2026 года ставит DeepSeek V3.2 на 89,2% SWE-bench, ниже Claude Opus 4.6 с 93,2% и GPT-5.4 Pro с 91,1% . Но результат DeepSeek V3.2 нельзя использовать как доказательство уровня DeepSeek V4.

По Kimi K2.6 ситуация такая же. Stanford HAI упоминает KimiK2.5 в группе моделей с результатами 70–76% на SWE-bench Verified по состоянию на февраль 2026 года . Siliconflow приводит Kimi K2 Thinking с GPQA 84,5 и SWE Bench 71,3 . Это полезный контекст по экосистеме Kimi, но не прямые данные по Kimi K2.6.

Что тестировать команде продукта

Итог

Если опираться только на прямые head-to-head данные, GPT-5.5 — более сильный первый кандидат для терминальных/CLI-агентов, браузерного поиска, офисных задач и некоторых математических benchmark-сценариев . Claude Opus 4.7 — более сильный первый кандидат для SWE-Bench Pro Public, MCP/tool orchestration и FinanceAgent v1.1 .

DeepSeek V4 и Kimi K2.6 пока нельзя честно поставить выше или ниже этих моделей по доступным источникам. Опубликованные цифры относятся к другим версиям — DeepSeek V3.2, KimiK2.5 и Kimi K2 Thinking, поэтому утверждения, что DeepSeek V4 или Kimi K2.6 уже превосходят Claude Opus 4.7 или GPT-5.5, здесь не подтверждаются прямыми benchmark-данными .