Confronto direto no segmento dos agentes de codificação: o Opus 4.8 leva ligeira vantagem em NL2Repo e Toolathlon, o V4-Pro ultrapassa-o em CyberGym e HLE, e a diferença de preço mantém-se numa ordem de grandeza.
| 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 com ferramentas | 62.5 | 59.8 | 60.0 | 57.9 | 64.5 |
| GDPval-AA v2 | 1769 | 1682 | 1590 | 1588 | 1730 |
Fonte dos dados: blog oficial da Z.ai (2026-08-14); não avaliado é indicado com —. Preços da DeepSeek: V4-Pro fora de ponta $0.66/$1.98, V4-Flash $0.14/$0.28, V4.1-Flash-1017 $0.15/$0.60 por milhão de tokens.
Opus 4.8: NL2Repo 69.7, Toolathlon 76.2, AutomationBench 41.0; V4-Pro: 61.1 / 74.1 / 43.2 — cada um vence em algumas frentes, com diferenças de apenas um dígito em pontos percentuais.
Ambos dispõem de janelas de nível 1M; avaliações de terceiros indicam que o recall de recuperação do MRCR de Opus 4.6/4.8 continua à frente, enquanto a DeepSeek, recorrendo a CSA+HCA, reduz os custos para 27% FLOPs / 10% KV.
CyberGym: V4-Pro 83.3 vs Opus 78.1 — na categoria de descoberta de vulnerabilidades, a DeepSeek lidera atualmente; no ExploitGym, os modelos GPT/Fable são mais agressivos.
Se procura a melhor experiência de codificação proprietária e a maior precisão em recuperação de contexto longo, escolha Claude; se é sensível ao orçamento, precisa de capacidades de auditoria de segurança ou de alojamento próprio, escolha DeepSeek.
大模型网摘