GPT-5.2 Codex против Claude Sonnet 4.6: кто выигрывает в Terminal-Bench
OpenAI выпустила GPT-5.2 Codex в конце апреля 2026 года, и одним из самых неожиданных результатов стал огромный разрыв в Terminal-Bench 2.0 — тесте на автономное программирование через командную строку. GPT-5.2 набрал 75.1%, а Claude Sonnet 4.6 — всего 59.1%. Это разница в 16 процентных пунктов, что в мире ИИ-моделей считается пропастью.
При этом в SWE-bench Verified — классическом тесте на решение реальных задач из GitHub — модели практически равны: 80% у GPT против 79.6% у Claude. Разрыв в 0.4% находится в пределах статистической погрешности. Но стоит переключиться на терминальные операции — и картина меняется радикально.
Почему Terminal-Bench важнее, чем кажется
Terminal-Bench 2.0 проверяет не просто способность модели писать код, а умение работать автономно: редактировать файлы, выполнять git-операции, управлять системами сборки, запускать тесты и отлаживать ошибки. Это именно те задачи, которые возникают в агентных рабочих процессах — когда ИИ работает не как ассистент, а как самостоятельный разработчик.
Если вы используете ИИ-агентов для автоматизации CI/CD, рефакторинга больших кодовых баз или многоэтапной отладки — разница в Terminal-Bench напрямую влияет на результат. Claude Sonnet 4.6 может написать хороший код, но GPT-5.2 лучше справляется с полным циклом: от клонирования репозитория до финального коммита.
Где Claude всё ещё сильнее
Справедливости ради, у Claude есть области, где он обгоняет GPT. В OSWorld-Verified — тесте на работу с компьютером через GUI — Claude Sonnet 4.6 показывает 72.5% против примерно 60% у GPT-5.2 (точные данные для GPT в этом тесте не раскрыты, но по косвенным оценкам он уступает). Если ваша задача — автоматизация веб-форм, навигация по таблицам или сложные многошаговые сценарии в визуальных интерфейсах, Claude будет точнее.
Кроме того, Claude лидирует в безопасности: 99.78% безопасных ответов на вредоносные запросы против примерно 95% у GPT. Для корпоративных применений это критично. И наконец, Claude дешевле на длинных контекстах: у GPT-5.2 цена удваивается после 272 тысяч токенов, а у Claude таких ограничений нет.
Как выбрать модель под задачу
Выбирайте GPT-5.2 Codex, если:
- вы строите агентные системы для автономного кодинга
- работаете с CI/CD, системами сборки и терминальными операциями
- нужна максимальная глубина reasoning в сложных многоэтапных задачах
- готовы платить больше за производительность на краевых сценариях
Выбирайте Claude Sonnet 4.6, если:
- основная работа — написание и рефакторинг кода в IDE
- важна автоматизация через GUI: веб-формы, таблицы, визуальные интерфейсы
- нужна высокая безопасность и контроль над вредоносными запросами
- работаете с большими объёмами контекста и хотите сэкономить
Разумная стратегия: использовать обе
На практике лучше не выбирать одну модель навсегда, а комбинировать. Claude Sonnet 4.6 — отличный основной инструмент для повседневного кодинга: быстрый, дешёвый и достаточно точный для 95% задач. GPT-5.2 держите для сложных случаев: когда нужна автономность, многоэтапная отладка или работа с терминалом.
Рынок меняется каждую неделю, и универсальных рекомендаций не существует. Берите свои реальные задачи, тестируйте на своём стеке и выбирайте то, что работает конкретно у вас.
Хотите сравнить обе модели на своих задачах? В GEMERA AI доступны и GPT-5.2 Codex, и Claude Sonnet 4.6 — попробуйте оба варианта в одном окне и выберите тот, который решает вашу задачу лучше.