コーディングエージェント分野での正面対決：Opus 4.8 は NL2Repo、Toolathlon でわずかに優位に立ち、V4-Pro は CyberGym、HLE で逆転しており、価格差は1桁のまま維持されている。
| 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 w/ Tools | 62.5 | 59.8 | 60.0 | 57.9 | 64.5 |
| GDPval-AA v2 | 1769 | 1682 | 1590 | 1588 | 1730 |
データ出典：Z.ai 公式ブログ（2026-08-14）。未参加は — で表示。DeepSeek 価格：V4-Pro オフピーク $0.66/$1.98、V4-Flash $0.14/$0.28、V4.1-Flash-1017 $0.15/$0.60（百万 tokens あたり）。
Opus 4.8：NL2Repo 69.7、Toolathlon 76.2、AutomationBench 41.0。V4-Pro：61.1 / 74.1 / 43.2——互いに一長一短で、差は一桁のパーセントポイントにとどまります。
両者とも 1M 級のウィンドウです。第三者評価では Opus 4.6/4.8 の MRCR 検索リコールが依然リードしており、DeepSeek は CSA+HCA によってコストを 27% FLOPs / 10% KV まで抑えています。
CyberGym：V4-Pro 83.3 vs Opus 78.1——脆弱性発見トラックでは現時点で DeepSeek が優勢。ExploitGym 系では GPT/Fable の方がより積極的。
クローズドソース最高のコーディング体験と長文検索精度を重視するなら Claude。予算重視、セキュリティ監査能力が必要、またはセルフホストしたいなら DeepSeek を選びましょう。
大模型网摘