Opus 4.7 vs GPT-5.5 vs DeepSeek V4-Pro: три агента строят CLI-утилиту
В апреле разработчик из Habr провёл необычный эксперимент: посадил три флагманские модели — Claude Opus 4.7, GPT-5.5 и DeepSeek V4-Pro — за одну и ту же задачу. Нужно было написать CLI-утилиту на Rust для работы с криптографическим API. Одинаковое задание, одинаковая машина, один час времени, параллельный запуск. Результаты оказались неожиданными.
GPT-5.5 в Codex: скорость без компромиссов
GPT-5.5 финишировал первым — за 26 минут. Модель полностью реализовала техническое задание: все команды работали, подписи проверялись, ошибки обрабатывались корректно. Разработчик отметил, что модель не дёргала его лишними вопросами — всего два уточняющих промпта за всю сессию.
Контекстное окно в Codex теперь 400 тысяч токенов (через API — до миллиона), и GPT-5.5 использует его эффективно: можно закинуть большой кусок кодовой базы, логи или спецификации, и модель удержит нить. Точечные правки вносит аккуратно, без попыток переписать половину проекта ради рефакторинга.
Ещё один плюс — structured outputs и function calling. Если вы строите агентные пайплайны через API, битые JSON-ответы, которые валят клиентскую логику, стали редкостью. Модель устойчива на длинных цепочках: раньше на пяти-семи шагах GPT начинал тащить ошибку до финала, теперь спокойно переваривает десять-пятнадцать шагов и умеет переосмысливать план на лету.
Opus 4.7 в Claude Code: инженерная культура против скорости
Opus 4.7 уложился в задание, но потратил больше времени. Зато результат выглядел как production-ready код: модульная структура, README с примерами, тесты, QA-скрипты. Разработчик отметил, что такой код можно сразу отдать на сопровождение другой команде.
Anthropic выпустила Opus 4.7 в середине апреля с заявлением о росте на 13% в кодинговом бенчмарке. Ранние тестеры из Replit, Vercel, Devin и Cursor подтвердили: модель стала лучше в долгих задачах. Devin сообщил, что Opus 4.7 работает связно часами и пробивается через сложные проблемы вместо того, чтобы сдаться. Cursor зафиксировал прыжок на CursorBench с 58% до 70%+.
Но есть нюанс: Claude Code просит много кликов. В ходе эксперимента модель запросила 47 permission prompts — разрешений на выполнение команд, чтение файлов, установку пакетов. GPT-5.5 обошёлся двумя промптами, DeepSeek — нулём. При этом оседающий после сессии allow-list оказался почти бесполезен для повторного использования: абсолютные пути, буквальные строки, конкретные идентификаторы — всё это не работает в следующем запуске.
DeepSeek V4-Pro в OpenCode: провал на незнакомом API
DeepSeek V4-Pro не уложился в техническое задание ни архитектурно, ни функционально. Модель выбрала не ту библиотеку на старте — и дальше упорно игнорировала обратную связь от пользователя. Когда разработчик прямо указал, что решение неправильное, модель продолжала двигаться в том же направлении.
Это не значит, что модель плохая в абсолютном смысле. DeepSeek V4-Pro — MoE на 1,6 триллиона параметров (49 миллиардов активных), миллион токенов контекста, дешёвые вычисления: вся сессия обошлась в 9,74 доллара против нуля видимых затрат у двух других моделей в их harness. Но связка «неверный выбор библиотеки на старте + неспособность откатить решение по явной обратной связи» убила результат.
Разработчик отметил, что это preview-версия, и будет интересно повторить эксперимент через пару месяцев на стабильном релизе.
Практические выводы для разработчиков
Если важно «работает по ТЗ» и быстро — GPT-5.5 в Codex выглядит сильнее всех. 26 минут — серьёзный отрыв, и модель не требует постоянного присмотра.
Если важно отдать кому-то на сопровождение — выбор за Opus 4.7. Модульность, тесты, скрипты, документация — всё на месте. С поправкой на то, что придётся прокликать десятки permission prompts в Claude Code.
DeepSeek V4-Pro в текущем preview на длинногоризонтных инженерных задачах с незнакомым криптографическим API проигрывает заметно. Это не приговор модели, а сигнал: для таких задач лучше дождаться стабильной версии.
Главный совет остаётся прежним: не верьте чужим впечатлениям и хайповым демо. Берите свои реальные задачи, проверяйте на своём стеке и выбирайте то, что работает конкретно у вас. Модели недетерминированы: то, что не решилось раз или два, на третий может отработать идеально.
Все три модели доступны в GEMERA AI через Telegram-бота и веб-кабинет. Попробуйте их на своих задачах и сравните результаты — это единственный способ понять, какая модель подходит именно вам.