МоделиОбзор

GPT-5.3 Codex vs Claude Opus 4.6

OpenAI и Anthropic выпустили флагманские модели в один день. Сравниваю GPT-5.3 Codex и Claude Opus 4.6 по бенчмаркам, фичам и практической пользе

GPT-5.3 Codex vs Claude Opus 4.6
TL;DR: OpenAI и Anthropic выпустили обновления флагманов в один день, буквально минута в минуту. GPT-5.3 Codex побеждает в терминальных задачах и управлении компьютером. Opus 4.6 сильнее в кодинге по SWE-bench, длинном контексте и профессиональных задачах. Короткий ответ: зависит от того, что тебе нужно.

5 февраля 2026 года. 10 утра по тихоокеанскому времени. OpenAI публикуют анонс GPT-5.3 Codex. Anthropic в ту же минуту — Claude Opus 4.6. Совпадение? Конечно нет. Обе компании знали о релизе друг друга и решили устроить лобовое столкновение. Через пару дней они ещё и рекламу на Суперкубке покажут друг против друга. Война AI-моделей в самом разгаре.

Но хватит драмы. Давай разберёмся, какая модель реально лучше.

Бенчмарки лоб в лоб

Проблема сравнения в том, что компании частично используют разные бенчмарки. Но кое-где пересечения есть.

Несколько наблюдений.

Terminal-Bench 2.0 — тут GPT-5.3 Codex разнёс Opus 4.6 на 12 пунктов. Это бенчмарк терминальных навыков, и для агента-кодера это критично. Забавно, что Anthropic утром объявили «лучший результат на Terminal-Bench», а через 35 минут OpenAI побили этот рекорд. Самый короткоживущий рекорд в истории AI-бенчмарков.

SWE-bench Verified — тут Opus 4.6 показывает 80.8%. OpenAI не публиковали результат GPT-5.3 Codex на этом бенчмарке (они используют SWE-Bench Pro, другую версию). На SWE-Bench Pro у GPT-5.3 Codex 56.8%, но сравнивать напрямую нельзя — разные тесты.

GDPval (профессиональные задачи) — Opus 4.6 опережает GPT-5.2 на 144 Elo-пункта. GPT-5.3 Codex показал 70.9% (wins or ties), что примерно на уровне GPT-5.2. То есть тут Opus 4.6 впереди.

Где GPT-5.3 Codex сильнее

В терминальных задачах разрыв огромный. 77.3% на Terminal-Bench — рекорд индустрии. Если твой агент большую часть времени работает через командную строку, это прямо имеет значение.

На OSWorld (управление компьютером через визуальный интерфейс) — 64.7%, почти вдвое больше, чем у GPT-5.2. Anthropic не публиковали свой результат на этом бенчмарке, так что сравнить не с чем.

В кибербезопасности 77.6% на CTF-челленджах. Это первая модель OpenAI с рейтингом «High capability», и первая, которую специально обучали искать уязвимости.

Работает на 25% быстрее предшественника и тратит меньше токенов. Для тех, кто гоняет много задач через агента — ощутимая разница.

Ну и необычный факт: GPT-5.3 Codex помогала разрабатывать саму себя. Дебажила тренинг, масштабировала GPU-кластеры. Звучит фантастически, но OpenAI описывают это подробно.

Где Claude Opus 4.6 сильнее

Контекст в миллион токенов — и не просто на бумаге. На MRCR v2 (поиск иголок в стоге сена) Opus 4.6 набрал 76%, а Sonnet 4.5 всего 18.5%. Четырёхкратная разница. У GPT-5.3 Codex таких данных нет.

На SWE-bench Verified — 80.8%, один из лучших результатов среди всех моделей. Задачи там больше про решение реальных GitHub-issues, а не про терминальную работу. Разный акцент.

За пределами кода Opus 4.6 тоже силён: GDPval, BigLaw Bench (90.2% в юридических задачах), BrowseComp. Модель широкого профиля, не только для разработчиков.

В Claude Code появились Agent Teams — можно запускать команды агентов, которые работают параллельно и координируются. У Codex есть интерактивная работа, но именно мультиагентность — фишка Anthropic.

Ещё модель сама решает, когда ей нужно подумать подольше (adaptive thinking). Четыре уровня усилий. У OpenAI похожая система, но у Anthropic она выглядит более гибкой.

И context compaction — автоматическое сжатие контекста, когда разговор подходит к лимиту. Для длительных агентных сессий штука незаменимая.

Цены

GPT-5.3 Codex пока работает только внутри экосистемы Codex (приложение, CLI, IDE-расширение). API обещают. Opus 4.6 уже доступен через API по цене Opus 4.5.

Для разработчиков, которым нужен API прямо сейчас, выбор очевиден — Opus 4.6. Когда OpenAI откроют API для GPT-5.3, картина может измениться.

Разные философии

Вот что мне кажется самым интересным. Эти две модели отражают разные стратегии.

OpenAI делают ставку на узкую специализацию. GPT-5.3 Codex — это агент для кодинга и компьютерных задач. Терминал, файлы, деплой, масштабирование. Модель заточена под конкретный сценарий и в нём работает очень хорошо.

Anthropic идут в ширину. Opus 4.6 — модель общего назначения, которая хороша в коде, юриспруденции, финансах, исследованиях, работе с Excel и PowerPoint. Контекст в миллион токенов. Гибкое управление мышлением.

Кому что ближе — зависит от задач.

Кому какая модель

Бери GPT-5.3 Codex, если: - Работаешь преимущественно через терминал - Нужен агент для автономного выполнения задач на компьютере - Занимаешься кибербезопасностью - Уже сидишь в экосистеме ChatGPT/Codex

Бери Claude Opus 4.6, если: - Нужен API прямо сейчас - Работаешь с большими кодовыми базами (миллион токенов контекста) - Задачи выходят за рамки чистого кодинга — аналитика, документы, юридика - Хочешь мультиагентные команды в Claude Code - Нужна гибкость в управлении усилием модели

Мой взгляд

Думаю, победителя тут нет, и это хорошо. Два года назад мы выбирали между «плохо» и «чуть получше». Сейчас выбираем между двумя очень сильными моделями с разными акцентами.

Что действительно раздражает — обе компании используют разные бенчмарки, и честное сравнение приходится собирать по крупицам. Хотелось бы видеть обе модели на одних и тех же тестах. Но, видимо, каждой компании выгоднее показывать те цифры, где она впереди.

Подождём, когда сообщество прогонит обе модели на одинаковых задачах.

Что ещё почитать

CTO говорит

Разбираю релизы моделей и инструментов: что вышло и стоит ли переходить.

Читать в Telegram

Ещё в разделе Модели

Весь раздел