如果你只想問：GPT-5.4、GPT-5.3-Codex、Claude Opus 4.6 邊個最識寫 code？答案未必係一個名。按目前引用報告，Claude Opus 4.6 在 SWE-Bench Verified 最有優勢；GPT-5.3-Codex 是 OpenAI 模型中 Terminal-Bench 2.0 表現較突出的選擇；GPT-5.4 相比 GPT-5.3-Codex 的直接 coding 提升，較像小幅進步而不是大勝 ^{[1][3][5][7][9]}。

真正要小心的是測試方法。SWE-Bench 有不同版本，Terminal-Bench 2.0 的公開榜又是 agent/model 配對，不是單獨模型裸跑分數；把它們硬併成一張總排名，很容易睇錯 ^{[1][6][7][10]}。

先講結論：按工作揀模型

你的工作	優先測試	理據	但要小心
類似 SWE-Bench Verified 的 repository 修 bug	Claude Opus 4.6	多份報告指 Opus 4.6 在 SWE-Bench Verified 約 79.2% 至 80.8% [3][5][7][9]。	只應同其他 Verified 結果比較，不應直接同 SWE-Bench Pro Public 當同一個測試 [6][7][10]。
Terminal／命令列 agent coding 工作流	GPT-5.3-Codex，但要固定 harness 測	一份 GPT-5.4 對比列出 GPT-5.3-Codex 在 Terminal-Bench 2.0 為 77.3%，高過 GPT-5.4 的 75.1% 同 Claude Opus 4.6 的 65.4% [3]。	公開榜排的是 agent/model 配對；Claude Opus 4.6 配 ForgeCode 時可達 79.8% [1]。
只在 OpenAI 模型之間揀 coding model	GPT-5.4 可以試，但預期是漸進式提升	同一份比較列出 GPT-5.4 在 SWE-Bench Pro 為 57.7%，GPT-5.3-Codex 為 56.8% [3]。	同一比較中，GPT-5.4 在 Terminal-Bench 2.0 反而低過 GPT-5.3-Codex [3]。
工具調用很多的 MCP 系統	GPT-5.4 值得另開測試	GPT-5.4 分析指 tool search 透過按需要載入工具定義，令 MCP token 用量減少 47% [3]。	Token 省了，不等於修 bug benchmark 一定贏 [3]。

最大陷阱：這些 benchmark 不是同一把尺

SWE-Bench Verified 同 SWE-Bench Pro Public 不是同一個訊號

Claude Opus 4.6 最強的論據來自 SWE-Bench Verified。引用報告把它列在 79.2%、79.4% 或 80.8% 左右 ^{[3][5][6][7][9]}。如果你的工作接近真實 repository 修 bug，這是一個很有參考價值的起點。

GPT-5.3-Codex 就較難一句講完。有 GPT-5.4 分析列出 GPT-5.3-Codex 在 SWE-Bench Pro 為 56.8%；另外兩份 Opus-vs-Codex 對比則列出 GPT-5.3-Codex 在 SWE-Bench Pro Public 為 78.2% ^[3][6][7]。這不是叫你把分數平均，而是提醒你：benchmark 版本不同，分數不能隨便橫向比較。多個來源都明確指出 SWE-Bench Verified 同 SWE-Bench Pro Public 不是直接可比 ^[6][7][10]。

GPT-5.4 在這批來源中最乾淨的 OpenAI 對 OpenAI coding 優勢，是同一分析內 SWE-Bench Pro 的 57.7% 對 GPT-5.3-Codex 的 56.8% ^[3]。另一份摘要亦提到 GPT-5.4 的 57.7% SWE-Bench Pro Public 數字，同時提醒 Claude 與 GPT 的 broader comparison 不能當作 apples-to-apples ^[10]。

Terminal-Bench 2.0 要看 agent harness

Terminal-Bench 2.0 更容易令人誤會，因為公開 leaderboard 排的是 agent/model 配對，不是單純模型本身 ^[1]。同一個 GPT-5.3-Codex，在榜上可以是 SageAgent 配對的 78.4%、Droid 配對的 77.3%、Simple Codex 配對的 75.1% ^[1]。Claude Opus 4.6 亦一樣：ForgeCode 配對為 79.8%，Capy 配對為 75.3%，Terminus 2 配對為 62.9% ^[1]。

這個差距足以改變誰是贏家。一份 GPT-5.4 對比說 GPT-5.3-Codex 在 Terminal-Bench 2.0 以 77.3% 高過 Claude Opus 4.6 的 65.4% ^[3]；但公開榜上，ForgeCode/Claude Opus 4.6 的 79.8% 又高過 SageAgent/GPT-5.3-Codex 的 78.4% ^[1]。所以，如果你測的是 terminal-agent 任務，請先固定同一個 harness，再談模型輸贏。

三個模型逐個睇

Claude Opus 4.6：Verified 式修 bug 的最穩起點

如果你用 SWE-Bench Verified 作為 coding 能力代理指標，Claude Opus 4.6 是這批來源中最有力的首選。它的 Verified 分數集中在約 79% 至 81%：GPT-5.4 分析列 79.2%，Opus-vs-Codex 對比列 79.4%，其他 benchmark roundup 則列 80.8% ^{[3][5][6][7][9]}。

但這不代表 Opus 4.6 在所有 coding 工作都通殺。它的 Terminal-Bench 表現相當受 agent 配對影響：部分比較報告列 65.4%，但公開榜顯示配 ForgeCode 時為 79.8%，配 Terminus 2 時為 62.9% ^[1][3][7][9]。簡單講，Opus 4.6 很適合先拿來測 repository 修復，但不要直接封它做所有 coding 場景的冠軍。

GPT-5.3-Codex：OpenAI 陣營的 terminal-agent 強項

如果你的工作像 Terminal-Bench 那類 agentic shell／命令列任務，GPT-5.3-Codex 是 OpenAI 模型中最值得優先放入 bakeoff 的一個。對比報告列它在 Terminal-Bench 2.0 為 77.3%；公開榜亦列出 GPT-5.3-Codex 配 SageAgent 為 78.4%、配 Droid 為 77.3%、配 Simple Codex 為 75.1% ^[1][3][7][9]。

它在 SWE-Bench 的解讀則要更謹慎。有報告列 GPT-5.3-Codex 在 SWE-Bench Pro Public 為 78.2%，亦有報告列它在 SWE-Bench Pro 為 56.8% ^[3][6][7][9]。由於來源提醒這些變體不能直接互換，評估 GPT-5.3-Codex 時，最好用你實際會採用的同一個 SWE-Bench 版本同評測設定 ^[6][7][10]。

GPT-5.4：coding 是小升級，工具效率更值得看

從提供的 benchmark 來看，GPT-5.4 並不像是 coding 上的大幅拋離。主要同源比較顯示，它在 SWE-Bench Pro 以 57.7% 微幅高過 GPT-5.3-Codex 的 56.8%；但在 Terminal-Bench 2.0，GPT-5.4 的 75.1% 又低過 GPT-5.3-Codex 的 77.3% ^[3]。

GPT-5.4 更有特色的數據，其實是工具使用。該分析指 GPT-5.4 的 tool search 會按需要載入工具定義，而不是把所有工具定義塞進上下文，令 MCP token 用量減少 47% ^[3]。對工具很多的 coding agent，這可能是實際系統優勢；但它應該同 SWE-Bench 或 Terminal-Bench 的準確率分開量度 ^[3]。

實戰比較時，別被分數呃到

1. 先決定 benchmark 版本，再決定贏家。SWE-Bench Verified、SWE-Bench Pro、SWE-Bench Pro Public 不應被壓成一欄分數 ^[6][7][10]。
2. Terminal 任務要固定 agent harness。公開 Terminal-Bench 2.0 leaderboard 顯示，同一模型配不同 agent，準確率可以有明顯差異 ^[1]。
3. 把 coding 準確率同工具效率分開看。GPT-5.4 報稱 47% MCP token 減幅，對工具重的系統有用，但它不是 SWE-Bench 或 Terminal-Bench 勝利的同義詞 ^[3]。
4. 混合來源排名只可當方向感。這批來源支持的是不同 benchmark 下有不同贏家；硬說一個模型全面第一，會誇大證據 ^{[1][3][6][7][10]}。

底線

如果你要修 repository bug，先測 Claude Opus 4.6；如果你做 terminal-agent coding workflow，GPT-5.3-Codex 一定要入圍；如果你想用最新 OpenAI 模型，或者想驗證工具搜尋帶來的 token 效率，才把 GPT-5.4 放到另一組測試重點 ^{[1][3][5][7][9]}。

最安全的結論不是某一個模型全面稱霸，而是：贏家會隨 benchmark 版本、agent harness，以及你真正要跑的 workload 而變 ^{[1][6][7][10]}。