Claude Opus 4.6 vs GPT-5.3 Codex: как выбрать модель под ваши задачи

Одновременно с релизом Claude Opus 4.6 и GPT-5.3 Codex стало понятно, что определенно нет одной лучшей модели на все случаи жизни. Они решают разные задачи и по-разному смотрят на роль ИИ в разработке: Opus ближе к архитектору и оркестратору агентов, Codex - к исполнительному техлиду, который упорно может часами биться над задачей до победного.

В статье разбираем, что именно привнесли Opus 4.6 и GPT-5.3 Codex, как они ведут себя в бенчмарках и в реальной работе, и как их разумно совместить в стеке команды.

Две модели - два подхода

• Claude Opus 4.6 - это флагманская модель от Anthropic с упором на длинный контекст (до 1M токенов в бете), сложное рассуждение и управление агентами/под-агентами. Хорошо держит в голове большие репозитории, базы знаний и многодневные сессии.

• GPT-5.3 Codex - специализированная версия GPT-5 от OpenAI, заточенная под «agentic coding»: работа в Codex-приложении, CLI и IDE, запуск тестов, чтение логов, кликание по UI и автоматизацию компьютерных задач.

Иными словами, Opus 4.6 скорее руководитель команды агентов: планирует, читает много, держит контекст проекта. Тогда как GPT-5.3 Codex это, своего рода, упертый, надежный исполнитель: быстро, долго и надежно делает работу под тесты.

Давайте последовательно разберемся, что нового в Claude Opus 4.6 и в GPT-5.3 Codex, а затем поймем, для чего каждый инструмент лучше подходит.

Что нового в Claude Opus 4.6

1. 1M токенов контекста и длинные сессии

Главное изменение - контекстное окно до 1 000 000 токенов. Базовый лимит остался 200k, но для запросов, которые выходят за этот предел, включается длинный контекст с повышенным тарифом.

Что же это дает на практике:

• Можно целиком загружать монорепы, большие библиотеки и документацию.

• Вести одну длинную стратегическую/ресерч-сессию без постоянного обрезания истории.

• Гонять сложные legal/finance кейсы с пачкой документов: договоры, политики, переписка.

Во сколько это обойдется:

• Стандарт: $5 / $25 за 1M input/output токенов (как у Opus 4.5).

• Для запросов 200k+ токенов - премиум-тариф $10 / $37.5 за 1M токенов.

2. Agent Teams в Claude Code

Вместо одной длинной цепочки действий теперь можно запускать несколько суб-агентов, работающих параллельно в рамках Claude Code:

• каждый агент отвечает за свою часть задачи (например, фронт, бэкенд, тесты)

• агенты координируют действия друг с другом

• разработчик может пересесть в любого суб-агента и вручную вмешаться.

3. Интеграция с PowerPoint и усиленный Excel

Opus 4.6 теперь ориентирован не только на кодинг, но и на офис.

• Если раньше можно было попросить Claude создать презентацию, но файл для редактирования нужно было перенести в PowerPoint. Теперь Claude работает в PowerPoint в качестве боковой панели. Интеграция считывает ваши существующие макеты, шрифты и шаблоны слайдов. Она генерирует слайды, соответствующие вашему бренду, без необходимости создавать их с нуля. Фича доступна в планах Max /Team /Enterprise.

• Обновленный Excel-режим: модель сначала строит план действий по сложной задаче, плюс, теперь умеет раскладывать неструктурированный импорт. Можно теперь загрузить разрозненные CSV или выгрузки из CRM и привести в нормальные таблицы для дальнейшего анализа - поддерживает многошаговые правки за один проход (фильтрация, формулы, сводные).

Кстати, интеграция с PowerPoint напомнила мне как это реализовано в Kimi Slides (делала на него видеообзор).

4. Adaptive Thinking и команда /effort

Раньше режим extended thinking (расширенное мышление) было либо включено, либо выключено. Теперь Claude может сам решать, когда более глубокое рассуждение будет полезным - у Opus 4.6 появился режим adaptive thinking:

• модель сама решает, нужно ли долго рассуждать по конкретному запросу

• есть 4 уровня effort (сложности): low /medium /high (по умолчанию) /max

• уровень можно задать прямо в чате или через API.

Пример команды в чат-интерфейсе:

/effort high

5. Сжатие контекста (context compaction)

Чтобы не упираться в потолок при длительных сессиях, Opus 4.6 получил автоматическое сжатие контекста:

• старые участки диалога/документов сворачиваются в компактные саммари

• эти саммари подставляются вместо сырых данных, когда контекст близок к лимиту.

6. До 128k выходных токенов

Opus 4.6 может выдать до 128 000 токенов ответа одним залпом. Это отлично подходит для больших файлов документации (док, мануалы, туториалы) без разбивки. А еще для длинных код-диффов и автогенерация целых модулей, и для длительных отчетов по ресерчу/анализу.

7. Кодинг и бенчмарки

По данным Azure AI Foundry и system card, Opus 4.6:

Terminal-Bench 2.0 (агент в терминале): 65.4%

SWE-bench Verified (агентное исправление реальных багов): 80.8%

OSWorld (компьютер-юз, визуальный рабочий стол): 72.7%

BrowseComp (агентный поиск по сети): 84.0%

GDPval-AA (офисное знание-работа): Elo ≈1600, с отрывом от GPT-5.2 по результатам ArtificialAnalysis.

MRCR v2 (long-context чтение): около 76% против ~18.5% у Sonnet 4.5 при огромном контексте:

Переводя с языка бенчмарков, Opus 4.6 особенно силен там, где нужно читать много, думать долго и аккуратно менять сложные системы. В инженерных обзорах все чаще можно встретить мысль, что код стал заметно лучше, но стиль письма стал суше по сравнению с Opus 4.5. Поэтому часть команд оставляет Opus 4.5 для документации и длинного текста, а Opus 4.6 кидает в кодинг и сложное reasoning.

8. Безопасность и отказы

С точки зрения безопасности, Opus 4.6 показывает более низкий уровень misaligned-поведения (обман, подхалимство, поощрение заблуждений) и меньше лишних отказов на нормальные запросы по сравнению с Opus 4.5. Однако стоит понимать, что это сравнительный результат внутри линейки Claude, а не сравнение со всеми моделями на рынке.

Что нового в GPT-5.3 Codex

GPT-5.3 Codex - это версия GPT-5, оптимизированная для агентного кодинга:

• доступна в Codex-приложении, CLI, IDE-плагинах и в платном ChatGPT

• умеет работать с файлами проекта, логами, терминалом, браузером и GUI

• поддерживает vision - может использовать скриншоты интерфейса и файлов.

В API-документации модель описана как версия GPT-5 для агентного кодинга в Codex с 400k токенов контекста, 128k выходных токенов и ценой $1.25 / $10 за 1M input/output токенов.

В чем Codex силен:

• Умеет долго выполнять одну задачу: писать код → запускать → читать логи → править → снова запускать, пока не доведет до результата.

• Хорошо показывает себя в командной строке и системных сценариях: CI/CD, админ-скрипты, миграции.

• В OS-/GUI-агентных задачах использует vision и может кликать по кнопкам, заполнять формы, сохранять файлы, перемещаться между окнами.

Бенчмарки: где Codex лидирует

По официальному блогу OpenAI GPT-5.3 Codex показывает:

• SWE-Bench Pro: 56.8% - новый рекорд по реальным задачам на 4-х языках:

• Terminal-Bench 2.0: 77.3% (выше, чем у GPT-5.2-Codex и базового GPT-5.2)

• OSWorld-Verified: 64.7% (модели приходится как человек выполнять задачи в реальном UI)

• GDPval (knowledge-work без привязки к офису): 70.9% побед или ничьих - уровень GPT-5.2, но в агентном режиме

• заметный рост на кибер-CTF-бенчмарках и инженерных задачах (SWE-Lancer, security-челленджи).

ChatGPT-5.3 Codex и Claude Opus 4.6: где кто сильнее

Мы познакомились с особенностями и новинками обеих моделей, их бенчмарками. И, если сопоставить Opus 4.6 и GPT-5.3 Codex, получается примерно такая картина:

Какие можно выводы сделать?

• Terminal-Bench и CLI-сценарии: явное преимущество у GPT-5.3 Codex.

• Verified-бенчмарки и длинное reasoning (SWE-bench Verified, Humanity’s Last Exam, GDPval-AA, MRCR): более сильная сторона Opus 4.6.

• Компьютер-юз (OSWorld): оба сильные, но у Opus цифры выше, при этом Codex отрабатывает в собственной Codex-среде с плотной интеграцией с инструментами.

• Цена: Codex ощутимо дешевле в API, Opus дороже на 60–75% за те же объемы токенов.

При этом на практике мнения сходятся: ни одна модель не убила другую. Они просто оптимизированы под разные профили задач. Opus 4.6 - это инженер-архитектор, который читает все: код, RFC, бизнес-контекст, думает, проектирует, расписывает шаги и задачи и держит в голове «зачем» и «почему», а не только «как». GPT-5.3 Codex - очень быстрый исполнитель, который сразу "идет в бой": коммитит, запускает, смотрит логи, отлично чувствует себя в терминале и CI/CD и будет работать, пока тесты не станут зелеными.

Логичнее ставку делать на Opus 4.6 когда вам важны очень длинные цепочки рассуждений и объемы контекста (монорепы, крупные базы знаний,большие юридические/финансовые кейсы). Там, где нужен один мозг-оркестратор, который поднимает саб-агентов, раздает им задачи и следит за процессом. Opus 4.6 силен в смешанных задачах (код + ресерч + стратегия + юр/бизнес-контекст в одной сессии). Ну и теперь офисные рабочие процессы легче решать с Opus 4.6 (Excel + PowerPoint).

GPT-5.3 Codex лучше, когда в кодинге приоритет - экономия, когда у вас уже есть пайплайны с автотестами, и модель можно мерить по тому, сколько задач закрыла до зеленых тестов. А еще, если у вас много OS/GUI-автоматизации (автотесты фронта, end-to-end сценарии с браузером, настройка CI/CD, мониторинг, операции с логами). И вам в целом нужен агент, который живет внутри реальной инфраструктуры (GitHub, CI, мониторинг) и умеет сам находить и разумно использовать доступные skills/tools, и ему не надо вручную писать и спрашивать "а есть ли скилл для этой задачи".

Где хороши обе модели: GPT-5.3 Codex и Claude Opus 4.6

Есть зона, где обе модели хороши: агентный кодинг по реальным проектам, компьютер-юз и OS-агенты, знание-работа (GDPval-класса).

Разница в том, на что вы делаете ставку: если вам важно максимальное погружение в контекст, аккуратность рассуждений, оркестрация множества агентов - Opus 4.6 - ваш выбор. Если в приоритете высокая скорость и продуктивность в среде, где все завязано на тесты, логи и инструменты - то определенно Codex 5.3 - лучшее решение.

В общем, оптимально для команды не выбирать "или то или это", а распределять роли: Codex в роли исполнительного агента под тесты и инфраструктуру, Opus в роли архитектора и координатора сложных цепочек. Вы можете поддержать меня в моем телеграм канале, там я пишу о том, в чем разбираюсь или пытаюсь разобраться сама, тестирую полезные ИИ-сервисы, инструменты для офиса, бизнеса, маркетинга и видео.