GPT-5.4、GPT-5.3-Codex 与 Claude Opus 4.6：编码基准里的真正差异

如果只问“哪个模型写代码最强”，这些公开基准给不出一句话答案。更稳妥的读法是：Claude Opus 4.6 在 SWE-Bench Verified 这类仓库缺陷修复评测上信号最强；GPT-5.3-Codex 是 OpenAI 模型里 Terminal-Bench 2.0 表现更亮的一条线；GPT-5.4 相比 GPT-5.3-Codex 的直接编码提升更像小幅迭代，而不是决定性跃迁 。

关键问题在于：这些分数不是同一张卷子。SWE-Bench Verified、SWE-Bench Pro 与 SWE-Bench Pro Public 不能简单横比；Terminal-Bench 2.0 的公开结果还受到智能体框架，也就是 agent harness 的影响 。

先给结论：按工作负载选，不要按总榜选

你的场景	建议优先测试	依据	主要提醒
类似 SWE-Bench Verified 的仓库 bug 修复	Claude Opus 4.6	多份报告给 Opus 4.6 的 SWE-Bench Verified 分数约 79.2%–80.8% 。	不要把 Verified 分数和 SWE-Bench Pro Public 分数当成同一套测试来比较 。
终端、命令行、脚本执行类智能体工作流	GPT-5.3-Codex，但要固定评测框架	一份 GPT-5.4 对比把 GPT-5.3-Codex 的 Terminal-Bench 2.0 列为 77.3%，高于 GPT-5.4 的 75.1% 和 Claude Opus 4.6 的 65.4% 。	公开榜单排名的是智能体/模型组合；Claude Opus 4.6 搭配 ForgeCode 时达到 79.8% 。
只在 OpenAI 模型里做选择	GPT-5.4 可以试，但别期待飞跃	同一份对比中，GPT-5.4 在 SWE-Bench Pro 为 57.7%，GPT-5.3-Codex 为 56.8% 。	同一来源也显示 GPT-5.4 在 Terminal-Bench 2.0 低于 GPT-5.3-Codex 。
工具密集、MCP 相关系统	GPT-5.4 值得单独评估	GPT-5.4 分析称，工具搜索通过按需加载工具定义，让 MCP token 用量下降 47% 。	token 成本或上下文效率的改善，不等同于 SWE-Bench 或 Terminal-Bench 上的准确率胜利 。

最大陷阱：别把不同基准硬拼成一个排行榜

SWE-Bench Verified 和 SWE-Bench Pro Public 不是同一回事

Claude Opus 4.6 最强的论据来自 SWE-Bench Verified。引用报告中，它的 Verified 分数大致集中在 79% 到 81%：GPT-5.4 分析给出 79.2%，Opus-vs-Codex 对比给出 79.4%，另一些基准汇总给出 80.8% 。

GPT-5.3-Codex 的 SWE-Bench 读法更麻烦，因为不同报告用了不同变体。有的报告把 GPT-5.3-Codex 的 SWE-Bench Pro Public 列为 78.2%，而 GPT-5.4 分析把它的 SWE-Bench Pro 列为 56.8% 。这不是取平均值的理由，反而是在提醒读者：SWE-Bench Verified、SWE-Bench Pro 和 SWE-Bench Pro Public 不能随手互换 。

在同一份 GPT-5.4 分析里，GPT-5.4 对 GPT-5.3-Codex 的最清晰优势其实很窄：SWE-Bench Pro 为 57.7% 对 56.8% 。另有总结也提到 GPT-5.4 的 57.7% SWE-Bench Pro Public 数字，同时提醒 Claude 与 GPT 的更大范围对比并不是苹果对苹果 。

Terminal-Bench 2.0 看的是“模型 + 智能体框架”

Terminal-Bench 2.0 更容易被误读。它的公开榜单列的是 agent/model 组合，而不是把基础模型单独拿出来测 。在该榜单中，GPT-5.3-Codex 搭配 SageAgent 为 78.4%，搭配 Droid 为 77.3%，搭配 Simple Codex 为 75.1% 。Claude Opus 4.6 搭配 ForgeCode 为 79.8%，搭配 Capy 为 75.3%，搭配 Terminus 2 为 62.9% 。

这个差距已经足以改变“赢家”。GPT-5.4 分析中，GPT-5.3-Codex 在 Terminal-Bench 2.0 上以 77.3% 领先 Claude Opus 4.6 的 65.4% ；但公开榜单里，ForgeCode/Claude Opus 4.6 的 79.8% 又高于 SageAgent/GPT-5.3-Codex 的 78.4% 。所以，评估终端智能体时，必须先固定 harness，再谈模型优劣。

三个模型分别怎么看

Claude Opus 4.6：仓库修复的首选候选

如果你的代理指标是 SWE-Bench Verified，Claude Opus 4.6 是这些来源里最有支撑的起点。它在 Verified 变体上的公开分数集中在 79.2%、79.4% 和 80.8% 附近 。

但这不等于它在所有编程任务上通吃。它的 Terminal-Bench 2.0 表现取决于搭配：对比报告中有 65.4% 的数字，公开榜单中则有 ForgeCode 搭配下的 79.8%，以及 Terminus 2 搭配下的 62.9% 。结论是：做 Verified 风格的真实仓库修复，优先试 Opus 4.6；做终端智能体，不要只看模型名。

GPT-5.3-Codex：OpenAI 阵营里的终端智能体强项

GPT-5.3-Codex 最强的 OpenAI 论据来自 Terminal-Bench 风格的终端任务。对比报告列出它在 Terminal-Bench 2.0 上为 77.3%，公开榜单也给出 SageAgent 78.4%、Droid 77.3%、Simple Codex 75.1% 等组合结果 。

它的 SWE-Bench 分数则必须看清版本。有的报告列出 GPT-5.3-Codex 在 SWE-Bench Pro Public 为 78.2%，另一些则列出 SWE-Bench Pro 为 56.8% 。既然来源本身已经提醒这些变体不能直接互换，就应当在你实际要采用的同一评测版本和同一设置下判断它 。

GPT-5.4：编码小步快跑，工具使用更值得关注

从这组资料看，GPT-5.4 不像是一次“编码能力大爆发”。同一份分析里，它在 SWE-Bench Pro 上只比 GPT-5.3-Codex 高 0.9 个百分点，57.7% 对 56.8%；但在 Terminal-Bench 2.0 上反而低一些，75.1% 对 77.3% 。

GPT-5.4 更有辨识度的点是工具使用。该分析称，工具搜索通过按需加载工具定义，而不是把所有定义都塞进上下文，让 MCP token 用量减少 47% 。如果你在做多工具、长上下文、自动化编码代理，这可能是很实际的系统优势；但它应与修 bug 准确率分开评估。

更靠谱的比较方法

1. 先定基准版本，再定赢家。SWE-Bench Verified、SWE-Bench Pro 和 SWE-Bench Pro Public 不应被合并成一张简单排名表 。
2. 终端任务要固定智能体框架。Terminal-Bench 2.0 公开榜单显示，同一模型搭配不同 agent harness 会得到明显不同的准确率 。
3. 把编码准确率和工具效率分开看。GPT-5.4 被报告的 47% MCP token 降幅，对工具密集系统有参考价值，但它不是 SWE-Bench 或 Terminal-Bench 的胜利声明 。
4. 把混合来源的排名当作方向，而不是裁判。不同来源在不同基准下支持不同赢家，这正说明单一总冠军的说法会夸大证据 。

最后怎么选

如果你的主要任务是仓库级 bug 修复，先测 Claude Opus 4.6；如果你在做终端智能体或命令行自动化，把 GPT-5.3-Codex 放进候选并固定 harness；如果你只考虑 OpenAI 模型，或特别关心工具搜索与 MCP token 成本，再单独测试 GPT-5.4 。

最安全的结论不是“某一个模型统治编程”，而是：赢家会随着基准版本、智能体框架和真实工作负载而变化 。