GPT-5.4 vs GPT-5.3-Codex vs Claude Opus 4.6 : le meilleur modèle de code dépend du test

La nuance est importante : tous ces tests ne mesurent pas exactement la même chose. SWE-Bench Verified et SWE-Bench Pro Public ne doivent pas être confondus, et Terminal-Bench publie des résultats par couple agent/modèle, ce qui peut changer le vainqueur apparent .

Verdict rapide : choisir selon l’usage

Le piège classique : additionner des scores qui ne sont pas comparables

SWE-Bench Verified n’est pas SWE-Bench Pro Public

Le meilleur argument en faveur de Claude Opus 4.6 vient de SWE-Bench Verified, un benchmark centré sur des tâches de génie logiciel réelles. Les rapports cités le donnent à 79,2%, 79,4% ou 80,8% sur cette variante .

GPT-5.3-Codex est plus difficile à résumer, car les sources ne parlent pas toujours de la même ligne SWE-Bench. Une analyse de GPT-5.4 donne GPT-5.3-Codex à 56,8% sur SWE-Bench Pro, tandis que deux comparaisons Opus-vs-Codex le placent à 78,2% sur SWE-Bench Pro Public . Ce n’est pas une invitation à faire une moyenne : c’est précisément le signal qu’il faut comparer les modèles sur la même variante. Plusieurs sources rappellent que SWE-Bench Verified et SWE-Bench Pro Public ne sont pas directement interchangeables .

Pour GPT-5.4, l’avantage le plus propre dans une comparaison OpenAI contre OpenAI reste étroit : 57,7% sur SWE-Bench Pro, contre 56,8% pour GPT-5.3-Codex dans la même analyse . Une autre synthèse cite aussi le score de 57,7% pour GPT-5.4 sur SWE-Bench Pro Public, tout en avertissant que la comparaison générale avec Claude n’est pas à armes égales .

Terminal-Bench mesure aussi l’agent, pas seulement le modèle

Terminal-Bench 2.0 est encore plus facile à mal lire. Son classement public liste des couples agent/modèle, et non des scores isolés de modèles de base . Dans ce classement, GPT-5.3-Codex apparaît à 78,4% avec SageAgent, 77,3% avec Droid et 75,1% avec Simple Codex . Claude Opus 4.6 apparaît à 79,8% avec ForgeCode, 75,3% avec Capy et 62,9% avec Terminus 2 .

L’écart est suffisant pour changer le vainqueur affiché. La comparaison centrée sur GPT-5.4 donne GPT-5.3-Codex devant Claude Opus 4.6 sur Terminal-Bench 2.0, 77,3% contre 65,4% . Mais le classement public montre une entrée ForgeCode/Claude Opus 4.6 à 79,8%, au-dessus de l’entrée SageAgent/GPT-5.3-Codex à 78,4% . Pour un choix sérieux, il faut donc verrouiller le même cadre d’agent avant de conclure qu’un modèle est meilleur qu’un autre.

Lecture modèle par modèle

Claude Opus 4.6 : le meilleur signal pour la correction de bugs façon Verified

Si votre proxy de qualité de code est SWE-Bench Verified, Claude Opus 4.6 est le point de départ le mieux étayé par les sources fournies. Ses scores rapportés se regroupent autour de 79% à 81% : 79,2% dans l’analyse de GPT-5.4, 79,4% dans des comparaisons Opus-vs-Codex, et 80,8% dans d’autres synthèses de benchmarks .

Cela ne prouve pas qu’Opus 4.6 gagne tous les scénarios de développement. Sur Terminal-Bench, son histoire est plus contrastée : certains rapports citent 65,4%, tandis que le classement public le montre à 79,8% avec ForgeCode et à 62,9% avec Terminus 2 . En clair : excellent candidat pour la réparation de dépôts façon Verified, mais pas vainqueur automatique pour tous les agents de code.

GPT-5.3-Codex : le candidat OpenAI fort pour les agents en terminal

GPT-5.3-Codex a son meilleur dossier lorsque la charge ressemble à du travail agentique en ligne de commande, comme dans Terminal-Bench. Les comparaisons le donnent à 77,3% sur Terminal-Bench 2.0, et le classement public le liste à 78,4% avec SageAgent, 77,3% avec Droid et 75,1% avec Simple Codex .

Sur SWE-Bench, il faut être plus prudent. Certaines sources donnent GPT-5.3-Codex à 78,2% sur SWE-Bench Pro Public, tandis que d’autres le listent à 56,8% sur SWE-Bench Pro . Puisque les sources citées soulignent que ces variantes ne sont pas directement comparables, GPT-5.3-Codex doit être évalué dans la même variante et le même protocole que ceux qui vous intéressent vraiment .

GPT-5.4 : un petit mieux en code, un angle plus net sur les outils

GPT-5.4 ne ressemble pas à une rupture spectaculaire en génération ou correction de code dans l’ensemble fourni. La comparaison la plus directe lui donne une courte avance sur SWE-Bench Pro face à GPT-5.3-Codex, 57,7% contre 56,8%, tout en le plaçant derrière sur Terminal-Bench 2.0, 75,1% contre 77,3% .

Son signal le plus différenciant concerne plutôt l’usage des outils. L’analyse de GPT-5.4 indique que la recherche d’outils réduit de 47% l’usage de tokens MCP en chargeant les définitions d’outils à la demande, au lieu de les placer toutes dans le contexte . Pour des agents de développement qui manipulent beaucoup d’outils, c’est potentiellement important ; mais cela doit être mesuré séparément d’un score de correction de bugs.

Comment comparer sans se tromper

1. Choisissez la variante du benchmark avant de choisir le gagnant. SWE-Bench Verified, SWE-Bench Pro et SWE-Bench Pro Public ne devraient pas être fusionnés dans un seul tableau de scores .
2. Gardez le même cadre d’agent pour les tâches en terminal. Le classement public Terminal-Bench 2.0 montre qu’un même modèle peut obtenir des résultats sensiblement différents selon l’agent avec lequel il est associé .
3. Séparez précision de code et efficacité d’outillage. La réduction de 47% de tokens MCP rapportée pour GPT-5.4 peut être utile dans des systèmes très outillés, mais ce n’est pas le même type de preuve qu’une victoire sur SWE-Bench ou Terminal-Bench .
4. Traitez les classements multi-sources comme des indications, pas comme un podium définitif. Les sources fournies soutiennent des gagnants différents selon le benchmark, ce qui rend toute hiérarchie universelle trop simplificatrice .

Conclusion

Pour de la correction de bugs façon SWE-Bench Verified, commencez par Claude Opus 4.6. Pour des workflows d’agents en terminal, mettez GPT-5.3-Codex dans le banc d’essai, mais contrôlez strictement le cadre d’agent. Pour GPT-5.4, l’intérêt est moins une domination en code qu’un possible avantage dans les systèmes OpenAI très orientés outils, notamment grâce à la recherche d’outils et à la réduction de tokens MCP rapportée .

Le verdict le plus prudent n’est donc pas qu’un modèle écrase les autres. C’est que le gagnant change avec la variante du benchmark, l’agent utilisé et la charge de travail réelle .