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 。

快速選型：先看你的工作負載

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% 。

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% 。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 。

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% 。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 。

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 。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% 。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% 。

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% 。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% 。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% 。

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% 。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% 。

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% 。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 。

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% 。

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% 。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 。
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 。
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 。
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 。

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 。

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 。

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 。

快速選型：先看你的工作負載

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% 。

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% 。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 。

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% 。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 。

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 。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% 。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% 。

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% 。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% 。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% 。

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% 。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% 。

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% 。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 。

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% 。

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% 。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 。
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 。
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 。
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 。

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 。

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 。