Confrontation directe sur le terrain des agents de codage : Opus 4.8 conserve une légère avance sur NL2Repo et Toolathlon, V4-Pro repasse devant sur CyberGym et HLE, et l'écart de prix reste d'un ordre de grandeur.
| Benchmark | GLM-5.3 | Kimi K3 | DeepSeek-V4-Pro | Opus 4.8 | GPT-5.6 Sol |
|---|---|---|---|---|---|
| Terminal-Bench 2.1 | 88.2 | 88.3 | 87.9 | 85.0 | 88.8 |
| Terminal-Bench 3.0 | 28.3 | 17.4 | — | 21.1 | 34.6 |
| DeepSWE v1.1 | 66.9 | 67.5 | 62.7 | 58.0 | 72.7 |
| NL2Repo | 58.0 | 58.0 | 61.1 | 69.7 | — |
| CyberGym | 84.5 | 80.0 | 83.3 | 78.1 | 83.6 |
| Toolathlon Verified | 73.0 | 76.5 | 74.1 | 76.2 | 74.9 |
| AutomationBench v1.0.6 | 48.2 | 46.7 | 43.2 | 41.0 | 45.8 |
| ALE-CLI | 28.5 | 27.6 | 25.7 | 25.7 | 28.6 |
| HLE avec outils | 62.5 | 59.8 | 60.0 | 57.9 | 64.5 |
| GDPval-AA v2 | 1769 | 1682 | 1590 | 1588 | 1730 |
Source des données : blog officiel de Z.ai (2026-08-14) ; non évalué indiqué par —. Prix DeepSeek : V4-Pro hors heures de pointe $0.66/$1.98, V4-Flash $0.14/$0.28, V4.1-Flash-1017 $0.15/$0.60 par million de tokens.
Opus 4.8 : NL2Repo 69.7, Toolathlon 76.2, AutomationBench 41.0 ; V4-Pro : 61.1 / 74.1 / 43.2 — victoires des deux côtés, avec des écarts de quelques points de pourcentage.
Les deux proposent une fenêtre de niveau 1M ; les évaluations tierces indiquent que le rappel de récupération MRCR d'Opus 4.6/4.8 reste en tête, tandis que DeepSeek s'appuie sur CSA+HCA pour ramener les coûts à 27% FLOPs / 10% KV.
CyberGym : V4-Pro 83.3 vs Opus 78.1 — sur la piste de la découverte de vulnérabilités, DeepSeek est actuellement en tête ; côté ExploitGym, GPT/Fable se montrent plus agressifs.
Pour la meilleure expérience de codage closed-source et une précision de recherche sur de longs contextes, choisissez Claude ; si vous êtes sensible au budget, ou si vous avez besoin de capacités d'audit de sécurité ou d'auto-hébergement, choisissez DeepSeek.
大模型网摘