GPT-5.5 против Claude Opus 4.7, DeepSeek V4 и Kimi K2.6: какой ИИ выбрать

По сводному рейтингу впереди GPT-5.5

Самый чистый агрегированный сигнал в доступных источниках даёт Artificial Analysis. В его списке GPT-5.5 xhigh занимает первое место с Intelligence Index 60, GPT-5.5 high — второе с 59, а Claude Opus 4.7 Adaptive Reasoning Max Effort указан с результатом 57.

Kimi K2.6 в доступных сводных фрагментах находится ниже этого уровня GPT-5.5 и Claude. OpenRouter приводит для Kimi K2.6 показатели 53,9 Intelligence, 47,1 Coding и 66,0 Agentic, а LLMBase в сравнении DeepSeek V4 Flash High и Kimi K2.6 указывает для Kimi те же 53,9 Intelligence и 47,1 Coding. В той же таблице LLMBase DeepSeek V4 Flash High получает 44,9 Intelligence и 39,8 Coding, но это именно Flash-вариант, а не DeepSeek V4 Pro или Pro-Max.

Главная оговорка: доступный агрегированный рейтинг хорошо показывает разницу GPT-5.5 и Claude Opus 4.7, но не даёт единой полной строки, где одновременно и на одинаковых условиях стоят GPT-5.5, Claude Opus 4.7, DeepSeek V4 Pro-Max и Kimi K2.6.

В общих бенчмарках Claude и GPT-5.5 делят победы

Для прямого сопоставления DeepSeek-V4-Pro-Max, GPT-5.5, GPT-5.5 Pro и Claude Opus 4.7 полезнее всего общая таблица VentureBeat.

Эту таблицу лучше читать не как разгром, а как раздельное лидерство. Claude Opus 4.7 сильнее смотрится на GPQA Diamond, HLE без инструментов, SWE-Bench Pro и MCP Atlas. GPT-5.5 выигрывает среди базовых моделей на Terminal-Bench 2.0 и BrowseComp, а GPT-5.5 Pro оказывается выше там, где VentureBeat показывает его для HLE с инструментами и BrowseComp.

DeepSeek-V4-Pro-Max конкурентоспособен в нескольких строках, но в этой общей таблице не обгоняет лучший результат GPT-5.5 или Claude Opus 4.7. Ближе всего он к лидерам на BrowseComp: 83,4% против 84,4% у GPT-5.5 и 79,3% у Claude Opus 4.7.

В программировании всё зависит от типа задачи

Если речь о задачах уровня реального репозитория — исправления в кодовой базе, много файлов, инженерный контекст, — Claude Opus 4.7 имеет самый сильный общий результат SWE-Bench Pro в таблице VentureBeat: 64,3% против 58,6% у GPT-5.5 и 55,4% у DeepSeek-V4-Pro-Max.

У DeepSeek V4 Pro, однако, самый насыщенный раскрытый профиль по coding-метрикам среди доступных листингов. Together AI указывает 93,5% LiveCodeBench, рейтинг Codeforces 3206, 80,6% SWE-Bench Verified и 76,2% SWE-Bench Multilingual. Карточка NVIDIA также разбивает варианты DeepSeek V4 Flash и V4 Pro по бенчмаркам, включая GPQA Diamond, HLE, LiveCodeBench и Codeforces; для V4-Pro Max там показаны 93,5 на LiveCodeBench и 3206 на Codeforces.

У Kimi K2.6 тоже есть содержательные coding-сигналы, но самые сильные Kimi-ориентированные таблицы в доступных источниках в основном сравнивают его с моделями предыдущего круга. Lorka указывает для Kimi K2.6 58,6% на SWE-Bench Pro, 54,0% на HLE-Full с инструментами, 90,5% на GPQA-Diamond и 79,4% на MMMU-Pro в таблице с GPT-5.4, Claude Opus 4.6 и Gemini 3.1 Pro. Verdent приводит для Kimi K2.6 80,2% на SWE-Bench Verified, 66,7% на Terminal-Bench 2.0, 54,0% на HLE с инструментами и 89,6% на LiveCodeBench v6, отдельно отмечая, что Opus 4.7 лидирует на SWE-Bench Verified с 87,6%.

Вывод: Kimi K2.6 стоит тестировать для кода и агентных рабочих процессов, но имеющихся данных недостаточно, чтобы назвать его общим победителем над GPT-5.5 или Claude Opus 4.7.

Цена API: главное преимущество DeepSeek V4

Если бюджет на API — ключевой фактор, самый сильный аргумент у DeepSeek V4. Mashable указывает для DeepSeek V4 цену $1,74 за 1 млн входных токенов и $3,48 за 1 млн выходных. Для сравнения: GPT-5.5 указан на уровне $5 за 1 млн входных и $30 за 1 млн выходных токенов, Claude Opus 4.7 — $5 и $25 соответственно.

Но нельзя автоматически считать, что у каждого endpoint одинаковые лимиты контекста и вывода. Mashable указывает окна 1 млн токенов для DeepSeek V4, GPT-5.5 и Claude Opus 4.7, а листинг OpenRouter для DeepSeek V4 Pro показывает 256K max tokens и 66K max output tokens. Для production-сценариев нужно проверять конкретного провайдера, вариант модели и режим reasoning, который вы собираетесь вызывать.

Лучшие сценарии по моделям

GPT-5.5: лучший дефолт, если важен сводный рейтинг

GPT-5.5 — самый безопасный выбор, когда решение опирается на доступный агрегированный рейтинг. Artificial Analysis ставит GPT-5.5 xhigh на 60, а GPT-5.5 high — на 59; это две верхние позиции Intelligence Index в предоставленном фрагменте.

Модель также хорошо выглядит в двух общих строках таблицы VentureBeat: 82,7% на Terminal-Bench 2.0 и 84,4% на BrowseComp для базовой GPT-5.5, а GPT-5.5 Pro показана с 90,1% на BrowseComp там, где эта версия присутствует.

Claude Opus 4.7: сильный выбор для reasoning и сложной разработки

Claude Opus 4.7 близок к GPT-5.5 по агрегированному рейтингу: Artificial Analysis даёт 57 для настройки Adaptive Reasoning Max Effort. В общей таблице VentureBeat он опережает GPT-5.5 и DeepSeek-V4-Pro-Max на GPQA Diamond, HLE без инструментов, SWE-Bench Pro и MCP Atlas.

Собственные материалы Anthropic также приводят внутренние результаты research-agent: ничья за лучший общий балл 0,715 по шести модулям и результат 0,813 в General Finance против 0,767 у Opus 4.6. Поскольку это внутренние бенчмарки, их лучше воспринимать как дополнительный контекст, а не как нейтральную таблицу лидеров.

DeepSeek V4: лучший ценовой аргумент, если подходит нужный вариант

Главное преимущество DeepSeek V4 — цена. В сравнении Mashable его входные и выходные тарифы заметно ниже GPT-5.5 и Claude Opus 4.7: $1,74 и $3,48 за 1 млн токенов против $5/$30 у GPT-5.5 и $5/$25 у Claude Opus 4.7.

DeepSeek V4 Pro при этом имеет сильные раскрытые coding-метрики: 93,5% LiveCodeBench, Codeforces 3206, 80,6% SWE-Bench Verified и 76,2% SWE-Bench Multilingual в листинге Together AI. Компромисс в том, что DeepSeek-V4-Pro-Max уступает лучшим результатам GPT-5.5 или Claude Opus 4.7 в общих строках VentureBeat, хотя на BrowseComp подходит близко.

Kimi K2.6: интересен для кода и агентов, но доказательная база тоньше

Kimi K2.6 сложнее поставить в прямой рейтинг четырёх моделей, потому что доступные Kimi-ориентированные таблицы чаще сравнивают его с GPT-5.4 и Claude Opus 4.6, а не с GPT-5.5 и Claude Opus 4.7. При этом сигналы не слабые: OpenRouter указывает для Kimi K2.6 53,9 Intelligence, 47,1 Coding и 66,0 Agentic, а Verdent приводит 80,2% SWE-Bench Verified и 89,6% LiveCodeBench v6.

Практический вывод не в том, что Kimi K2.6 неконкурентен. Вывод в том, что прямых доказательств меньше. Если его цена, способ развёртывания или агентное поведение подходят вашему стеку, модель заслуживает пилота, но доступные источники не позволяют назвать её общим победителем над GPT-5.5 или Claude Opus 4.7.

Что проверить перед выбором

• Названия вариантов важны. DeepSeek V4 встречается в источниках как V4, V4 Flash, V4 Pro и DeepSeek-V4-Pro-Max; цены, лимиты и результаты бенчмарков меняются в зависимости от варианта и reasoning-настройки.
• Сравнения Kimi менее прямые. Самые сильные таблицы по Kimi K2.6 часто ставят его рядом с GPT-5.4 и Claude Opus 4.6, а не с GPT-5.5 и Claude Opus 4.7.
• Humanity’s Last Exam без инструментов даёт расхождения между источниками. LLM Stats и VentureBeat указывают GPT-5.5 на 41,4% и Claude Opus 4.7 на 46,9%, тогда как фрагмент Mashable для GPT против Claude приводит 40,6% для GPT-5.5 и 31,2% для Opus 4.7.
• Внутренние бенчмарки — не то же самое, что независимые лидерборды. Публикация Anthropic об Opus 4.7 сообщает о внутренних улучшениях research-agent, но такие цифры стоит читать иначе, чем публичные кросс-провайдерные сравнения.
• Цены и контекстные лимиты зависят от провайдера. Одна и та же модельная семья может иметь разные окна контекста, лимиты токенов и ограничения на выход в разных endpoint.

Итог

Выбирайте GPT-5.5, если главный критерий — доступный сводный рейтинг интеллекта. Берите Claude Opus 4.7, если ваши задачи похожи на сложные reasoning- и software-engineering-бенчмарки, где он лидирует: GPQA Diamond, HLE без инструментов, SWE-Bench Pro и MCP Atlas. Смотрите на DeepSeek V4, если важны цена и производительность на доллар, но обязательно проверяйте конкретный вариант V4; его API заметно дешевле GPT-5.5 и Claude Opus 4.7, а DeepSeek V4 Pro имеет сильные раскрытые метрики по коду. Kimi K2.6 стоит рассматривать как серьёзного кандидата для coding- и agentic-сценариев, но не как доказанного общего победителя над GPT-5.5 или Claude Opus 4.7 по имеющимся прямым данным.