Порівняння фронтирних ШІ-моделей: GPT‑5.5, Claude Opus 4.7, Gemini 3.5 Flash, Grok 4.3 та DeepSeek V4

Модель також сильна в знаннєвих бенчмарках: GDPval оцінює завдання з десятків професій, включаючи юриспруденцію, фінанси та управління продуктами. GPT‑5.5 зрівнюється або перевершує професіоналів приблизно в 84.9% порівнянь.

Разом ці цифри свідчать, що GPT‑5.5 особливо сильний в автономних багатокрокових завданнях та агентних робочих процесах.

Claude Opus 4.7: найкраща модель для кодування

Claude Opus 4.7 від Anthropic вважається однією з найсильніших моделей для завдань з програмної інженерії.

Найвідоміші результати бенчмарків:

• SWE‑bench Verified: 87.6%
• SWE‑bench Pro: 64.3%
• GPQA Diamond: 94.2%
• Terminal‑Bench 2.0: 69.4%

SWE‑bench оцінює, чи може модель виправити реальні помилки у відкритих репозиторіях. Результат Opus 4.7 у 87.6% на SWE‑bench Verified представляє значне покращення порівняно з попередником і ставить її серед найкращих моделей для агентів кодування.

Хоча її результат на Terminal‑Bench поступається GPT‑5.5, її бенчмарки, орієнтовані на кодування, залишаються одними з найсильніших серед опублікованих порівнянь.

Gemini 3.5 Flash: висока продуктивність на набагато вищій швидкості

Gemini 3.5 Flash від Google є незвичайною моделлю, оскільки вона позиціонується як швидка, економічно ефективна модель, а не флагман — але все одно демонструє конкурентоспроможні результати на кількох агентних бенчмарках.

Звітні результати:

• Terminal‑Bench 2.1: 76.2%
• MCP Atlas: 83.6%
• GDPval‑AA: 1656 Elo
• CharXiv reasoning: 84.2%

Google стверджує, що модель працює приблизно в чотири рази швидше, ніж аналогічні фронтирні моделі, перевершуючи попередню Gemini 3.1 Pro на кількох агентних бенчмарках.

На практиці головною перевагою Gemini 3.5 Flash є компроміс між швидкістю та можливостями: вона забезпечує майже флагманські результати бенчмарків, орієнтуючись на низьку затримку та виробничі навантаження.

DeepSeek V4: потужний challenger з відкритою вагою

DeepSeek V4 примітний тим, що це одна з найпотужніших моделей з відкритою вагою, випущених на сьогодні.

Сімейство моделей включає два варіанти:

• V4‑Pro (велика модель mixture‑of‑experts)
• V4‑Flash (легша та ефективніша версія)

Згідно з технічним звітом моделі та підсумками її бенчмарків, V4‑Pro в режимі максимальних міркувань досягає:

• SWE‑bench Verified: 80.6%
• GPQA Diamond: 90.1%
• LiveCodeBench: 93.5%

Ці результати ставлять її близько до провідних пропрієтарних моделей у деяких бенчмарках кодування.

Однак незалежна оцінка програми CAISI Національного інституту стандартів і технологій США (NIST) показала, що можливості моделі відстають від фронтиру приблизно на вісім місяців, що підкреслює розрив між самостійно звітованими та незалежними результатами.

Grok 4.3: значні покращення, але не явний лідер фронтиру

Grok 4.3 від xAI демонструє значне покращення порівняно з попередніми версіями, особливо в бенчмарках агентних завдань.

Опубліковані показники:

• Artificial Analysis Intelligence Index: ~53
• GDPval‑AA: ~1500 Elo
• τ²‑Bench Telecom: 98%
• IFBench: 81%

Стрибок більш ніж на 300 Elo на GDPval‑AA порівняно з попередніми версіями Grok свідчить про суттєвий прогрес в автоматизації реальних завдань.

Тим не менш, сторонні аналізи зазвичай ставлять цю модель нижче за найновіші системи OpenAI та Anthropic за загальними показниками можливостей.

Що свідчать докази бенчмарків загалом

Розглянувши ці оцінки, можна побачити послідовну картину:

• Найкращі загальні агентні робочі процеси: GPT‑5.5
• Найкраща модель, орієнтована на кодування: Claude Opus 4.7
• Найкращий баланс швидкості та можливостей: Gemini 3.5 Flash
• Найкращий претендент з відкритою вагою: DeepSeek V4 Pro
• Покращена, але середня фронтирна модель: Grok 4.3

Однак до цих висновків слід ставитися як до орієнтовних, а не остаточних, оскільки кожен розробник виділяє різні набори оцінок.

Чому рейтинги фронтирних моделей залишаються нестабільними

Порівняння бенчмарків у сучасному ШІ стає все більш складним з кількох причин:

1. Різні версії бенчмарків. Наприклад, Terminal‑Bench 2.0 та 2.1 вимірюють подібні завдання, але дають дещо різні результати.
2. Налаштування зусиль міркувань. Багато моделей тепер мають конфігуровані режими "мислення", які змінюють оцінки.
3. Звітовані розробниками числа. Багато таблиць бенчмарків походять з постів про запуск моделі, а не з незалежних оцінок.
4. Спеціалізація завдань. Кодування, агентна робота та знаннєві завдання винагороджують різні можливості.

Через ці фактори справжнє відносне ранжування фронтирних моделей часто стає зрозумілим лише після місяців незалежного тестування.

Підсумок

Найновіші дані бенчмарків не показують однієї моделі, яка б домінувала у всіх сферах.

Натомість поточний фронтир виглядає спеціалізованим:

• GPT‑5.5 лідирує в багатьох бенчмарках агентних робочих процесів.
• Claude Opus 4.7 перевершує в реальних завданнях кодування.
• Gemini 3.5 Flash просуває кордон швидкості та продуктивності.
• DeepSeek V4 демонструє, що моделі з відкритою вагою можуть наближатися до пропрієтарних можливостей.
• Grok 4.3 показує значне покращення, але все ще відстає від найновіших лідерів у більшості широких оцінок.

Оскільки незалежні бенчмарки сходяться та з'являється більше прямих порівнянь, точне впорядкування цих систем, ймовірно, продовжить змінюватися.