先講結論：這不是「誰比較會寫程式」的一刀切問題。從提供的公開資料來看，Claude Opus 4.6 在 SWE-Bench Verified 這類儲存庫修 bug 測試上最有說服力；GPT-5.3-Codex 是 OpenAI 陣營在 Terminal-Bench 2.0 終端機代理流程中的強勢選項；GPT-5.4 的 coding 成績相對像是小幅改進，而不是壓倒性升級 ^{[1][3][5][7][9]}。

真正容易踩坑的是測法。SWE-Bench 的不同版本不能直接互比，Terminal-Bench 的公開榜單則不只測模型，也測搭配的 agent harness，也就是代理框架與執行流程 ^{[1][6][7][10]}。

快速選型：先看你的工作負載

你的主要場景	優先測試的模型	依據	主要但書
類似 SWE-Bench Verified 的儲存庫 bug 修復	Claude Opus 4.6	多份報告把 Opus 4.6 的 SWE-Bench Verified 成績列在約 79.2% 到 80.8% [3][5][7][9]。	請拿 Verified 對 Verified 比，不要把 SWE-Bench Pro Public 當成同一個測試 [6][7][10]。
終端機代理、shell 操作、長流程 coding 任務	GPT-5.3-Codex，但要固定 harness 再比	GPT-5.4 相關比較列出 GPT-5.3-Codex 在 Terminal-Bench 2.0 為 77.3%，高於 GPT-5.4 的 75.1% 與 Claude Opus 4.6 的 65.4% [3]。	公開榜單排名的是 agent/model 組合；Claude Opus 4.6 搭配 ForgeCode 時也出現 79.8% [1]。
只在 OpenAI 模型中挑 coding 模型	GPT-5.4 可測，但預期是漸進式差距	同一份比較中，GPT-5.4 在 SWE-Bench Pro 為 57.7%，GPT-5.3-Codex 為 56.8% [3]。	同一比較也顯示 GPT-5.4 在 Terminal-Bench 2.0 低於 GPT-5.3-Codex [3]。
工具很多、MCP 系統很重的 coding agent	GPT-5.4 值得單獨評估	GPT-5.4 分析指出，工具搜尋可按需載入工具定義，使 MCP token 使用量降低 47% [3]。	token 省不省，和 bug 修復基準測試是否贏，是兩件不同的事 [3]。

最大陷阱：分數看起來像排行榜，其實不是同一場比賽

SWE-Bench Verified 與 SWE-Bench Pro Public 不能混比

Claude Opus 4.6 最強的證據來自 SWE-Bench Verified。引用資料中，它在這個版本的成績分別被列為 79.2%、79.4% 或 80.8% ^[3][5][7][9]。

GPT-5.3-Codex 的 SWE-Bench 敘事比較複雜。GPT-5.4 相關分析把 GPT-5.3-Codex 在 SWE-Bench Pro 的分數列為 56.8%，但另兩份 Opus 與 Codex 的比較則列出 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：測試版本不同，不能草率排座次。多個來源也明確提醒，SWE-Bench Verified 與 SWE-Bench Pro Public 並不能直接互換比較 ^[6][7][10]。

至於 GPT-5.4，在這批資料中最乾淨的 OpenAI 對 OpenAI coding 優勢，是同一份分析裡的 SWE-Bench Pro：GPT-5.4 為 57.7%，GPT-5.3-Codex 為 56.8% ^[3]。另一份整理也提到 GPT-5.4 的 57.7% SWE-Bench Pro Public 數字，同時警告 Claude 與 GPT 的 broader 比較不是 apples-to-apples ^[10]。

Terminal-Bench 2.0 測到的不只是模型

Terminal-Bench 2.0 更容易被誤讀，因為公開 leaderboard 列的是「agent/model 組合」，不是孤立的基礎模型能力 ^[1]。同一個模型換了代理框架，分數就可能差很多。

在該榜單中，GPT-5.3-Codex 搭配 SageAgent 為 78.4%，搭配 Droid 為 77.3%，搭配 Simple Codex 為 75.1% ^[1]。Claude Opus 4.6 則在搭配 ForgeCode 時為 79.8%，搭配 Capy 時為 75.3%，搭配 Terminus 2 時為 62.9% ^[1]。

這個落差已經足以改變「看起來的冠軍」。GPT-5.4 相關比較把 GPT-5.3-Codex 在 Terminal-Bench 2.0 列為 77.3%，高於 Claude Opus 4.6 的 65.4% ^[3]。但公開榜單也有 ForgeCode/Claude Opus 4.6 的 79.8%，高於 SageAgent/GPT-5.3-Codex 的 78.4% ^[1]。所以，若你在評估終端機代理工作流，務必先固定 harness，再談模型勝負。

三個模型怎麼看？

Claude Opus 4.6：最適合先拿來測 Verified 風格 bug 修復

如果你的 coding 品質代理指標是 SWE-Bench Verified，Claude Opus 4.6 是這批資料中最有根據的起點。它的 Verified 成績集中在約 79% 到 81%：GPT-5.4 分析列為 79.2%，Opus-vs-Codex 比較列為 79.4%，其他 benchmark roundup 則列到 80.8% ^{[3][5][6][7][9]}。

但這不代表 Opus 4.6 在所有 coding 任務都贏。它在 Terminal-Bench 的故事比較分裂：比較文列出 65.4%，公開榜單則顯示 Opus 4.6 搭配 ForgeCode 可到 79.8%，搭配 Terminus 2 則是 62.9% ^[1][3][7][9]。換句話說，它是 Verified 型儲存庫修復的安全首選，不是萬用 coding 冠軍。

GPT-5.3-Codex：OpenAI 陣營的終端機代理強者

如果你的工作像 Terminal-Bench 這類 agentic shell 任務，GPT-5.3-Codex 是 OpenAI 模型中很該列入 bakeoff 的選項。比較報告列出它在 Terminal-Bench 2.0 為 77.3%；公開榜單也列出 GPT-5.3-Codex 搭配 SageAgent 為 78.4%、搭配 Droid 為 77.3%、搭配 Simple Codex 為 75.1% ^[1][3][7][9]。

它的 SWE-Bench 成績則必須小心解讀。有些報告列 GPT-5.3-Codex 在 SWE-Bench Pro Public 為 78.2%，另一些則列 SWE-Bench Pro 為 56.8% ^[3][6][7][9]。既然來源已提醒這些版本不能直接互比，你就應該用自己要採用的同一個 SWE-Bench 版本與評估設定來判斷它 ^[6][7][10]。

GPT-5.4：coding 分數小幅前進，工具使用才是更值得看的點

就這批 benchmark 而言，GPT-5.4 不像是 coding 能力大爆發。主要的同源比較顯示，它在 SWE-Bench Pro 小幅領先 GPT-5.3-Codex，57.7% 對 56.8%；但在 Terminal-Bench 2.0 反而較低，75.1% 對 77.3% ^[3]。

更有辨識度的是工具使用。GPT-5.4 分析指出，工具搜尋會按需載入工具定義，而不是把所有定義一次塞進上下文，因此 MCP token 使用量降低 47% ^[3]。若你建的是工具很多的 coding agent，這可能是系統層面的實際優勢；但它仍應和 benchmark accuracy 分開衡量。

實務比較時，避免這四個錯誤

1. 先決定 benchmark 版本，再宣布贏家。 SWE-Bench Verified、SWE-Bench Pro、SWE-Bench Pro Public 不應被壓成同一欄分數 ^[6][7][10]。
2. 終端機任務要固定 agent harness。 Terminal-Bench 2.0 公開榜單顯示，同一模型搭配不同 agent，準確率可能有明顯差異 ^[1]。
3. 把 coding accuracy 與工具效率分開看。 GPT-5.4 的 47% MCP token 降幅，對工具密集系統有參考價值，但不等於 SWE-Bench 或 Terminal-Bench 勝利 ^[3]。
4. 把跨來源排名當方向，不要當定論。 這批資料支持的是「不同測法有不同贏家」，而不是單一模型全面稱霸 ^{[1][3][6][7][10]}。

結論

若你要做 Verified 風格的儲存庫 bug 修復，先測 Claude Opus 4.6；若你要跑終端機代理流程，GPT-5.3-Codex 一定要放進比較；若你需要最新 OpenAI 模型，或想評估工具搜尋帶來的 token 效率，GPT-5.4 值得另外測 ^{[1][3][5][7][9]}。

最穩妥的答案不是「某一個模型統治 coding」，而是：勝負會隨 benchmark 版本、agent harness，以及你真正要跑的工作負載而變 ^{[1][6][7][10]}。