Claude Code, nebo Codex: blízký výkon, jiná cena úlohy

Pokud tým rozhoduje mezi Claude Code a Codexem podle poměru úspěšnosti a nákladů, vychází v porovnatelné dvojici lépe Codex. Na žebříčku Terminal-Bench 4.0 dosáhl Claude Code se Sonnet 5.5 při maximálním úsilí úspěšnosti 61,8 % ± 2,9 bodu za přibližně 7 300 dolarů na celé vyhodnocení, zatímco Codex s GPT-6.1 Sol dosáhl 58,2 % ± 3,1 bodu za přibližně 600 dolarů; Claude Code s Opus 5.5 získal 64,8 % ± 3,1 bodu za přibližně 4 700 dolarů. Blízký výsledek se tedy týká prvních dvou konfigurací, nikoli každého modelu dostupného v obou produktech.

Přepočet celkových nákladů na jednu zadanou úlohu dává přibližně 111 dolarů u Claude Code se Sonnet 5.5 a 9 dolarů u Codexu s GPT-6.1 Sol. Jde o průměr z benchmarku, ne o ceník pro práci ve firemním repozitáři. Výběr proto nestojí jen na pořadí ve výsledkové tabulce: záleží na ceně pokusu, hodnotě úspěšného vyřešení i na tom, kde agent běží a jaká má oprávnění.

Co vlastně znamená těsný výsledek

Intervaly úspěšnosti u Sonnet 5.5 a GPT-6.1 Sol se překrývají. Samotný rozdíl pořadí tak není dobrým podkladem pro tvrzení, že první z těchto konfigurací spolehlivě zvládne více úloh. Nákladový rozdíl je naproti tomu v publikovaném běhu výrazný. Kdo vybírá podle nejvyššího dosaženého skóre bez ohledu na cenu, musí zároveň vzít v úvahu výše postavený Claude Code s Opus 5.5.

Řádek produktového žebříčku patří vždy spojení agenta, modelu a nastavení úsilí. Agent rozhoduje, jak předává modelu kontext, pracuje se soubory, spouští příkazy a pokračuje po neúspěšném kroku. Procento proto nelze přenést na jiný model ve stejném produktu ani na tentýž model v jiném agentovi. Test navíc zahrnuje terminálové úlohy ze softwarového vývoje i dalších technických oblastí. Pro tým zaměřený na opravy jedné aplikace může mít jiná skladba úloh podstatně větší význam než malé rozdíly v celkovém skóre.

Stejný důvod omezuje přenos výsledku do vlastního repozitáře. Záleží na dostupných testech, stavu dokumentace, závislostech projektu a na tom, zda agent smí provést potřebné příkazy. Rozdíl mezi veřejnou sadou a konkrétní kódovou základnou podrobněji rozebírá srovnání pro vlastní repozitář.

Proč stejná sazba za token neznamená stejný účet

Oddělený test modelů pomáhá ukázat, co dělá spotřeba při řešení úlohy. V měření Vals AI aktualizovaném 18. října 2026 dosáhl Sonnet 5.5 v prostředí Mini-SWE-agent úspěšnosti 64,14 % při průměrné ceně 16,51 dolaru za test, kdežto GPT-6.1 Sol dosáhl 55,05 % za 1,72 dolaru; oba mají v tabulce sazbu 2 dolary za milion vstupních a 10 dolarů za milion výstupních tokenů. V tomto měření má Sonnet vyšší úspěšnost, zatímco Sol stojí výrazně méně na pokus. Výsledky patří modelům ve společném agentovi, nikoli přímo produktům Claude Code a Codex.

Rozdíl vzniká během práce agenta: čte výstupy příkazů, vrací se k souborům, zkouší opravy a případně spouští testy. Dvě shodné tokenové sazby proto ještě neříkají, kolik tokenů každé řešení spotřebuje. Cenu za pokus je také nutné odlišit od ceny za úspěšné vyřešení. Orientačně ji lze získat vydělením průměrné ceny pokusu podílem úspěšných pokusů.

Z uvedených hodnot společného testu vychází tímto výpočtem asi 25,74 dolaru na úspěch u Sonnet 5.5 a 3,12 dolaru u GPT-6.1 Sol. Výpočet předpokládá podobnou skladbu úloh jako ve zveřejněné sadě; neslibuje, že opakované spuštění téže neúspěšné úlohy povede ke stejnému výsledku. Pro hypotetických sto nezávislých pokusů se stejnými průměrnými náklady by samotná modelová spotřeba činila 1 651 a 172 dolarů. Do takového odhadu nevstupuje lidská kontrola změn ani následná práce na úlohách, které agent nedokončí.

Co doplňují pull requesty z projektů

Výsledek terminálového testu měří splnění zadání; sloučený pull request zachycuje rozhodnutí lidí v konkrétním projektu. Akademická analýza datasetu AIDev zahrnula 7 156 uzavřených pull requestů od pěti agentů, z toho 2 002 vytvořených Codexem a 139 vytvořených Claude Code. Autoři ponechali jen příspěvky z vybraných otevřených repozitářů, které před uzavřením dostaly komentář nebo kontrolu od někoho jiného než autora. Počet příspěvků obou produktů je tedy velmi nerovný.

Typ práce v tomto souboru výrazně měnil míru přijetí. Codex dosahoval vysokých hodnot napříč kategoriemi, Claude Code vedl například u dokumentace a nových funkcí. Souhrnná míra sloučení by však směšovala schopnosti agenta s tím, jaké úlohy mu lidé svěřovali a jak fungovalo schvalování v jednotlivých projektech. Sloučení navíc vypovídá o přijetí změny v daném okamžiku, nikoli samo o sobě o její dlouhodobé udržovatelnosti.

Kde agent běží a co může provést

Claude Code pracuje se soubory v nastaveném pracovním adresáři. Dokumentace oprávnění Claude Code popisuje pravidla allow, ask a deny pro nástroje a cesty, ruční schvalování, režim plánování i automatické přijímání vybraných úprav. Rozlišuje přitom oprávnění nástrojů od sandboxu, který omezuje přístup spouštěných příkazů k souborům a síti na úrovni systému. Pravidlo zapsané pro jeden příkaz samo o sobě nemusí omezit jiný program spuštěný nepřímo; při požadavku na pevnou hranici záleží také na nastavení sandboxu.

Codex může pracovat v místním pracovním prostoru i v cloudu. Podle dokumentace zabezpečení Codexu umožňuje místní režim Auto číst a upravovat soubory i spouštět příkazy uvnitř pracovního prostoru; zápis mimo něj nebo síťový přístup vyžaduje schválení. Pro cloudové úlohy platí samostatná pravidla prostředí. Rozdíl mezi místním a cloudovým během proto ovlivňuje dostupné soubory, síťové spojení i místo, kde tým změnu převezme ke kontrole.

Oprávnění nejsou vedlejší technický detail. Agent s omezeným přístupem nemusí dokončit úlohu vyžadující instalaci závislosti nebo spojení s externí službou; širší přístup zase mění rozsah akcí, které může provést bez zásahu člověka. Při srovnání vlastních úloh má smysl uvést režim běhu a povolené akce stejně přesně jako model a jeho nastavení úsilí.

Která volba dává týmu smysl

Pro velký objem úloh s důrazem na spotřebu poskytuje zveřejněné porovnání dobrý důvod zvažovat Codex s GPT-6.1 Sol. Pokud je rozhodující co nejvyšší úspěšnost na dané terminálové sadě, vede mezi uvedenými produktovými konfiguracemi Claude Code s Opus 5.5. Tým však může dát přednost jinému nastavení kvůli vlastní skladbě úloh, požadavku na místní či cloudový běh nebo hranici oprávnění.

Rozhodnutí o rozpočtu je přesnější, když odděluje cenu pokusu, cenu úspěšného dokončení a čas člověka potřebný ke kontrole výsledku. Veřejný benchmark dává srovnatelný výchozí bod pro první dvě položky v přesně popsaném prostředí. Jakmile se změní úlohy, model, agent nebo pravidla přístupu, mění se i význam zveřejněného průměru.

Přečtěte si také: