AI Research

Codex vs Claude Code vs DeepSeek：2026 年最新编程能力对比

Codex vs Claude Code vs DeepSeek：2026 年最新编程能力对比

摘要

截至 2026 年 6 月，三家最具代表性的”编程智能体”已经进入新一轮分化：OpenAI 通过 GPT-5.1-Codex-Max + Codex CLI 主打”长时程自主编码代理”，凭借 compaction 机制可在多上下文窗口上跨越式工作 24 小时以上；Anthropic 的 Claude Opus 4.5 + Claude Code 2.0 则以 80.9% SWE-bench Verified 重新登顶编码榜，并将 Sonnet 4.5 的”30 小时连续编码”和 VS Code 原生扩展、checkpoints 引入工程实践；DeepSeek 走开源路线，从 V3.1-Terminus 到 V3.2 / V3.2-Speciale，以 MIT 许可证、约 1/20 的 API 价格在 SWE-bench Verified 上接近 70%、在 HumanEval 上达到 89.7%，成为低成本自部署与国产生态首选。三者”代码补全 / 终端代理 / 长程自主代理”的偏重不同，应根据预算、合规和任务时长进行选型。

研究问题

  • 三家最新版本的编码模型/产品（Codex 系列、Claude Code 系列、DeepSeek 系列）在 SWE-bench Verified、Terminal-Bench、LiveCodeBench、HumanEval 等基准上的最新成绩各是多少？
  • 它们在产品形态（CLI / IDE / Agent / API / 是否开源）、上下文窗口、Agentic 能力、长任务自主执行上的差异？
  • 三家在价格与可用性、生态集成上的差异？
  • 在不同实际场景下（个人开发、企业团队、自部署、跨语言项目、长时程重构等）应当如何选型？

发现

1. OpenAI Codex 线（GPT-5.1-Codex-Max + Codex CLI）

  1. GPT-5.1-Codex-Max 是 OpenAI 当前主推的编码旗舰，原生为长时程 agentic 软件工程任务训练，是首个原生跨多上下文窗口工作的 OpenAI 模型，依靠 compaction（上下文压缩与衔接） 机制实现”跨百万级 token 维持任务连贯性”，OpenAI 内部展示其完成了 24 小时无人值守的编码任务。来源
  2. 基准成绩：SWE-bench Verified（xhigh reasoning）≈ **77.9%**，Terminal-Bench 2.0 ≈ **58.1%**，LiveCodeBench Pro Elo ≈ 2,439；相比 GPT-5.1-Codex 的 73.7%，且在中等推理强度下 thinking tokens 减少约 30%。来源
  3. Codex CLI 自 2025-04-17 开源发布，2025-06 用 Rust 重写，提供 Suggest / Auto Edit / Full Auto 三档自动化模式，2025-09 增加思考摘要、会话恢复、VS Code 集成；并在 ChatGPT Plus/Pro/Business 中作为 GPT-5.1-Codex-Max 的主要交付通道，API 也已可用。来源、来源
  4. 首个原生为 Windows 训练的 OpenAI 编码模型（PowerShell / 企业工作流），契合企业级 Windows 开发场景。来源

2. Anthropic Claude 线（Claude Opus 4.5 + Sonnet 4.5 + Claude Code 2.0）

  1. Claude Opus 4.5 于 2025-11-24 发布，被官方与第三方一致评价为”全球最强编码模型”。**SWE-bench Verified 取得 80.9%**，在 SWE-bench 多语言版的 8 种语言中拿下 7 项第一，超过 GPT-5.1（77.9%）与 Gemini 3 Pro（76.2%）。来源、来源
  2. 效率与上下文：Opus 4.5 上下文 200K，新增 effort 参数让开发者权衡速度/能力；在中等 effort 下输出 token 比 Sonnet 4.5 减少约 76%，并改进了 prompt injection 鲁棒性。定价 $5 / $25 每百万 token（输入/输出）。来源
  3. Claude Sonnet 4.5（2025-09-29 发布） 是性价比版编码主力，Terminal-Bench 50%、SWE-bench Verified 77.2%（并行 82%）、OSWorld 61.4%；单会话可连续编码 30+ 小时、生成约 1.1 万行代码；定价仍为 $3 / $15 每百万 token。来源
  4. Claude Code 2.0 引入 Checkpoints（任务回滚）、Terminal 2.0 与原生 VS Code 扩展、Context Editing & Memory Tool（Beta）API、开源的 Claude Agent SDK，将 Claude 模型与终端/IDE/长任务记忆深度耦合。来源

3. DeepSeek 线（V3.1-Terminus → V3.2 / V3.2-Speciale + DeepSeek-Coder / R1）

  1. DeepSeek-V3.1-Terminus（2025 Q3） 是首个在 SWE-bench 类基准上跻身一线的开源权重模型：SWE-bench Verified **68.4%**、Multilingual SWE-bench 57.8%、Terminal-Bench **36.7%**、HumanEval 91.2%、LiveCodeBench 74.9%；采用 Hybrid Reasoning（Thinking 128K / Non-Thinking 4K），并修复了中英混杂等输出问题。来源、来源
  2. DeepSeek-V3.2-Exp 于 2025-09-29 发布，引入 DSA（Deep Sparse Attention） 与 UE8M0 FP8 数据格式，支持 160K 超长上下文，长文本推理成本下降约 50%，API 价格再砍 50%+。V3.2 / V3.2-Speciale 于 2025-12-01 发布，Speciale 在 MATH 92.1、HumanEval 89.7 上据报道超过 GPT-5 与 Gemini 3 Pro（编码总体水平接近 GPT-5、略低于 Gemini 3 Pro）。来源、来源
  3. 价格与可用性：API 输入命中缓存 ¥0.2 / 百万 token、输出 ¥3 / 百万 token；权重在 Hugging Face / ModelScope 以 MIT 许可证 开源，支持 vLLM、SGLang，以及华为昇腾 / 寒武纪 / 海光等国产芯片，已被腾讯混元 2.0、中国电信”息壤”、中国联通元景 MaaS 等接入。来源、来源
  4. DeepSeek 官方未提供原生 Codex/Claude Code 级别的 IDE 代理，但生态中第三方代理（Cline、Roo Code、Aider、Continue、OpenHands、SWE-agent 等）普遍支持调用 DeepSeek 模型；R1 / R1-0528 仍是低成本推理首选，社区把 V3.2 + Aider/Cline 当作”开源版 Claude Code”使用。来源

对比与判断

维度对比表

维度 OpenAI（GPT-5.1-Codex-Max + Codex CLI） Anthropic（Opus 4.5 / Sonnet 4.5 + Claude Code 2.0） DeepSeek（V3.2 / V3.2-Speciale / R1）
最新版本 & 时间 GPT-5.1-Codex-Max（2025 Q4）、Codex CLI（2025-04 起，持续更新） Opus 4.5（2025-11-24）、Sonnet 4.5（2025-09-29）、Claude Code 2.0 V3.1-Terminus（2025 Q3）、V3.2-Exp（2025-09-29）、V3.2 / V3.2-Speciale（2025-12-01）
产品形态 CLI（Rust 开源）、IDE 扩展、ChatGPT 内置、API、云端 agent CLI（Claude Code）、VS Code 扩展、Agent SDK 开源、API、桌面 app 开源权重 + API；本地化部署、第三方 CLI/IDE（Cline/Aider/OpenHands）调用
SWE-bench Verified **77.9%**（xhigh） **80.9%**（Opus 4.5）/ 77.2%（Sonnet 4.5） 68.4%（V3.1-Terminus）；V3.2 报告达 GPT-5 级别
Terminal-Bench **58.1%**（v2.0） 50%（Sonnet 4.5），Opus 4.5 在此基础上再 +29% 36.7%（V3.1-Terminus）
LiveCodeBench / HumanEval LiveCodeBench Pro Elo 2,439 官方主推 SWE-bench / Terminal-Bench LiveCodeBench 74.9% / HumanEval 89.7%–91.2%
上下文窗口 Codex CLI 192K，模型层通过 compaction 跨窗口 200K（带 context editing & memory） 160K（DSA 稀疏注意力）
长任务自主执行 24h 内部演示，跨上下文窗口 compaction 30h 连续编码 / 单会话 1.1 万行代码 + checkpoints 取决于第三方 agent 框架，原生官方代理较弱
是否开源 Codex CLI 开源；模型闭源 Agent SDK 开源；模型闭源 模型权重 MIT 开源
主要语言/IDE 集成 VS Code / JetBrains 扩展、CLI、ChatGPT；Windows 原生训练 VS Code 原生扩展、CLI、桌面 app、Agent SDK 通过 Aider / Cline / Continue / OpenHands / SWE-agent；国产芯片支持
价格（API） 与 GPT-5.1 体系一致；CLI 对 Plus/Pro/Business 可用 Opus 4.5：$5/$25；Sonnet 4.5：$3/$15 输入 ¥0.2 / 输出 ¥3 每百万 token；自部署 0 token 成本
主要短板 闭源，企业合规/数据出境受限；中文生态不深 价格最高；Opus 在小型任务上属于”过度配置” 官方原生 agent 弱；多文件超长程稳定性弱于 Claude Code/Codex；非英文细节社区评价不一

选型建议

场景 推荐 理由
单次”重构整个仓库 / 24h 自动跑”长程任务 GPT-5.1-Codex-Max + Codex CLI compaction 跨窗口、长时程稳定性最强
日常 IDE 内多文件改动 + 终端 agent + 高代码质量 Claude Sonnet 4.5（Claude Code 2.0） SWE-bench / Terminal-Bench 平衡最好，价格中等
攻克最难的 bug / 重要架构变更 / 一锤定音 Claude Opus 4.5 SWE-bench Verified 80.9% 当前最高，token 效率反而提升
企业自部署 / 数据合规 / 中国大陆生态 DeepSeek V3.2（+ Aider 或 Cline） MIT 开源、国产芯片支持、API 极低价
大规模批量代码生成 / CI 评估 / 学生学习 DeepSeek V3.1-Terminus / V3.2 HumanEval / LiveCodeBench 已够用，价格最低
Windows / PowerShell 重度开发 GPT-5.1-Codex-Max 首个原生 Windows 训练的 OpenAI 编码模型
需要纯中文研发协作与混合推理 DeepSeek V3.2-Speciale 修复了中英混杂问题，长推理深度强
跨语言（Java / Rust / Go 等多语种）维护 Claude Opus 4.5 SWE-bench 多语言 8 项里赢 7 项

核心判断

  • “最强单点编码“目前在 Anthropic（Opus 4.5 SWE-bench 80.9%），”最强长时程代理“在 OpenAI（Codex-Max + 24h compaction），”最强性价比 / 自部署“在 DeepSeek（MIT、¥0.2 输入价）。
  • Codex CLI 与 Claude Code 2.0 都已经把”终端 + IDE + 长记忆 + 任务回滚 + Agent SDK”做成完整工程产品，DeepSeek 仍主要靠社区生态（Aider、Cline、OpenHands 等）补齐前端形态。
  • 价格梯度：DeepSeek（¥级）≪ Sonnet 4.5（$3/$15）< Opus 4.5（$5/$25）≈ GPT-5.1-Codex-Max（GPT-5.1 体系）。但在长任务场景里，token 效率比单价更关键——Opus 4.5 中等 effort 下输出 token 减少 ~76%，反而可能比便宜模型更省钱。

不确定性

  • DeepSeek-V3.2 / V3.2-Speciale 的 SWE-bench Verified 具体百分比尚未在官方英文渠道发布，目前数字来自国内媒体与百科条目，”接近 GPT-5”为厂商自评，需谨慎采信。来源
  • Anthropic 官方 anthropic.com 在本次研究中部分页面 403/无法直接抓取，Opus 4.5 的 80.9% 数字虽被多家第三方与官方新闻页一致引用，但完整 system card 未直接抓取交叉验证。
  • Codex 与 GPT-5.1/5.5 的产品命名在不同来源中存在出入（”Codex 并入 GPT-5.5”等），属于二手百科性质信息，不作为权威结论使用。
  • Aider Polyglot leaderboard 在本次研究中未直接抓取最新表格，三方相对名次以官方新闻为准，建议读者按需查阅 aider.chat/docs/leaderboards 最新版本。

后续行动

  • 跟进 DeepSeek-V3.2 / V3.2-Speciale 官方英文 technical report 与 SWE-bench 复现脚本。
  • 在自有仓库上做一次”同 prompt、同任务”的三方实测：Codex CLI / Claude Code 2.0 / DeepSeek + Aider，对比真实改动正确率与耗时。
  • 关注 Anthropic 是否在 2026 H1 发布更便宜的 Haiku 4.5 / 编码专用 SKU，以及 OpenAI 把 Codex-Max 推到 API 之后的真实定价。
  • 若公司有合规/出海要求，评估 DeepSeek 自部署 + 国产芯片栈的端到端工程成本。

来源