Abstract абстрактный Выпущенный в феврале 2026 года сегмент Framework Claude Opus 4.6 от Anthropic и OpenAI GPT-5.3 Codex представляет собой ближайшее окно запуска в истории моделей граничного ИИ, с обеими моделями, дебютирующими в течение 24 часов друг от друга. Эта статья предоставляет комплексный сравнительный анализ этих двух флагманских языковых моделей, ориентированных на кодирование по техническим возможностям, сравнительной производительности, архитектурным подходам, рамкам безопасности и соображениям развертывания. Наш анализ показывает различное стратегическое позиционирование: Claude Opus 4.6 уделяет приоритет глубине рассуждений и долгому контексту с state-of-the-art результатами по академическим ориентирам (GPQA Diamond: 77.3%, MMLU: 85.1%), Introduction Введение The February 2026 Frontier AI Release Event 4 февраля 2026 года Anthropic выпустил Claude Opus 4.6, свою самую мощную модель на сегодняшний день, с улучшенными навыками кодирования, устойчивостью задач агентов и прорывным контекстным окном в 1 миллион токенов[1]. В течение 24 часов OpenAI ответил с GPT-5.3 Codex 5 февраля 2026 года, позиционируя его как высокопроизводительный кодирующий двигатель, оптимизированный для автономного программного обеспечения. Во-первых, обе модели представляют собой флагманские обновления для своих семей, включая фундаментальные архитектурные инновации, а не постепенные улучшения. во-вторых, одновременный запуск создает естественный эксперимент для сравнительной оценки, поскольку обе модели нацелены на похожие случаи использования с различными техническими подходами. Research Objectives Цели исследований В этой статье рассматриваются четыре основные вопросы исследований: Каковы количественные различия в производительности между Claude Opus 4.6 и GPT-5.3 Codex по стандартным показателям? Как архитектурные выборы — рассуждение глубины против скорости вывода, долгоконтекстные окна против вычислительной эффективности влияют на практические результаты развертывания? Какие рамки безопасности и выравнивания отличают эти модели, и какие последствия имеют эти рамки для регулируемых отраслей? При каких условиях организации должны выбирать одну модель над другой, и когда стратегия многомодельного развертывания дает оптимальные результаты? Наш анализ основан на официальных результатах, опубликованных обеими компаниями, оценках третьих сторон, свидетельствах партнеров по раннему доступу и сравнительных тестах на реальные задачи кодирования. Technical Architecture and Core Capabilities Техническая архитектура и основные возможности Context Windows and Output Capacity Claude Opus 4.6 вводит в бета-версию контекстное окно на 1 миллион токенов, что представляет собой увеличение в 5 раз по сравнению со стандартными ограничениями производства (200 000 токенов)[1]. Этот расширенный контекст позволяет анализировать целую кодовую базу, синтезировать многодокументы и выполнять долгосрочные агентические задачи без увеличения чипсов или поиска. В противоположность этому, GPT-5.3 Codex поддерживает контекстное окно на 400 000 токенов, но оптимизирует его для вычислительной эффективности и скорости вывода, а не для максимальной длины контекста[2]. Архитектура OpenAI отдает приоритет быстрой итерации в агентических циклах по сравнению с однопассной долгоконтекстной обработкой. Для кодовых баз, превышающих 200 000 токенов, или документационных проектов, требующих обширного синтеза, контекст 1M Клода обеспечивает структурное преимущество. Practical implications: Reasoning and Planning Mechanisms Claude Opus 4.6 вводит Система работает на четырех уровнях усилий (низкий, средний, высокий, максимальный) и выделяет до 128 000 токенов на внутренние цепочки рассуждений, прежде чем генерировать конечные результаты. Адаптивное мышление Внутренние испытания, проведенные инженерами Anthropic, показывают, что Opus 4.6 «приносит больше внимания к наиболее сложным частям задачи, не будучи проинформированным, быстро перемещается через более простые части, справляется с двусмысленными проблемами с лучшим суждением, и остается продуктивным в течение более длительных сеансов»[1]. GPT-5.3 Codex использует другой подход, оптимизируя для Модель достигает 25% более быстрого вывода по сравнению со своим предшественником (GPT-5.2 Codex) через архитектурные оптимизации в механизме внимания и более эффективное генерирование токенов[2][3]. Вместо того чтобы выделять большие бюджеты для рассуждений перед ответом, GPT-5.3 подчеркивает быстрый тест гипотез и итеративное усовершенствование через использование инструментов и выполнение кода. Агентская скорость Дизайнная философия OpenAI сосредоточена на самозагрузочных песчаных ящиках, которые позволяют модели выполнять, валидировать и устранять код в узких циклах обратной связи[2][3]. Адаптивное мышление Клода превосходит задачи, требующие глубокого анализа перед действием — архитектурные решения, аудит безопасности, сложные дебютирование. Преимущество скорости GPT-5.3 становится решающим, когда пропускная способность имеет значение больше, чем размышление — автоматизированные испытания, масштабные реакторы, генерация кода высокого объема. Performance trade-offs: Agentic Task Persistence Обе модели вводят механизмы для постоянных агентических рабочих процессов, устраняя критическое ограничение предыдущих систем: контекстное истощение при выполнении долгосрочных задач. Claude Opus 4.6 реализует , функция API, которая автоматически подводит итоги и заменяет старые разговоры при приближении границы контекстного окна[1]. Эта возможность позволяет агентам работать непрерывно без ручного управления контрольным пунктом или перезагрузки разговора. пороги сжатия конфигурируются, позволяя разработчикам балансировать агрессивность сжатия с сохранением информации. Контекстное сочувствие GPT-5.3 Codex поддерживает агентическую настойчивость через , что позволяет разработчикам перенаправлять поведение агента в середине задачи, не теряя накопленного контекста[2][3]. модель также уменьшает скорость преждевременного завершения в флэки-тестовых сценариях и задачах с длинным горизонтом, постоянный режим сбоя в более ранних агентических системах[3]. Интерактивное управление Anthropic сообщает, что Opus 4.6 успешно «самостоятельно закрыл 13 задач и назначил 12 задач правильным членам команды за один день, управляя организацией из 50 человек в 6 хранилищах».[1] OpenAI подчеркивает более низкие темпы преждевременного завершения GPT-5.3 и способность поддерживать согласованность задач в сотнях вызовов инструментов[2]. Benchmark Performance Analysis Бенчмарк анализа эффективности Coding Capabilities Benchmark Claude Opus 4.6 GPT-5.3 Codex Description SWE-bench Verified 79.4% — Real-world GitHub issues (Anthropic variant) SWE-bench Pro Public — 78.2% Enhanced difficulty tier (OpenAI variant) Terminal-Bench 2.0 65.4% 77.3% Command-line automation tasks OSWorld-Verified — 64.7% Desktop GUI automation TAU-bench (airline) 67.5% 61.2% Tool-augmented reasoning SWE-bench проверено 79,4 процента — Реальные проблемы GitHub (антропический вариант) SWE-bench Pro для общественности — 78,2 процента Улучшенный уровень сложности (вариант OpenAI) Терминал Бенч 2.0 65,4 процента 77,3 процента Задачи командной линии автоматизации Верифицированный OSWorld — 64,7 процента Автоматизация Desktop GUI Авиакомпания «TAU-bench» 67,5 % 61,2 процента Увеличенный инструментальный рассудок Таблица 1: Сравнение кодирования и агентского эталона Anthropic сообщает SWE-bench Verified scores, в то время как OpenAI сообщает SWE-bench Pro Public scores.Это отдельные варианты бенчмарка с различными наборами проблем и распределениями трудностей.Прямое численное сравнение между вариантами методологически недействительно[3]. Critical methodological note: Claude Opus 4.6 демонстрирует превосходную производительность при выполнении задач, требующих рассуждений и планирования перед выполнением (TAU-bench), в то время как GPT-5.3 Codex доминирует в автоматизации терминалов и рабочих процессах, связанных с использованием компьютеров (Terminal-Bench, OSWorld). Reasoning and Knowledge Benchmarks Benchmark Claude Opus 4.6 GPT-5.3 Codex Description GPQA Diamond 77.3% 73.8% Graduate-level STEM reasoning MMLU Pro 85.1% 82.9% Expert knowledge across domains Humanity's Last Exam 78.6% — Complex multidisciplinary reasoning GDPval-AA (Elo) 1606 — Economic reasoning tasks BigLaw Bench 90.2% — Legal reasoning and analysis Диамант GPQA 77,3 процента 73,8 процента Выпускник уровня STEM рассуждения Молодежь Pro 85,1 процента 82,9 процента Экспертные знания в разных областях Последний экзамен человечества 78,6 процента — Многодисциплинарные сложные рассуждения ВВП в АА (Эло) 1606 — Задачи экономического рассуждения БигЛав Бенч 90,2 процента — Юридическое рассуждение и анализ Таблица 2: Сравнение рассуждений и знаний Claude Opus 4.6 устанавливает четкое лидерство по аргументационно-тяжелым академическим и профессиональным показателям. Преимущество в 3,5 процентных пунктах по GPQA Diamond (физика, химия и биология на уровне выпускника) и 2,2 пункта по MMLU Pro представляют собой статистически значимые улучшения по сравнению с GPT-5.3 Codex[1][3]. Anthropic сообщает, что по GDPval-AA — оценке экономически ценных знаний в финансовой, юридической и других профессиональных областях — Opus 4.6 превосходит GPT-5.2 (предыдущую лучшую модель OpenAI по этому показателю) примерно на 144 Эло-точка, что переводится на выигрышную ставку около 70%[1]. Long-Context Retrieval Постоянной проблемой в ширококонтекстных языковых моделях является «порождение контекста» — ухудшение производительности по мере увеличения продолжительности разговора.Клод Опус 4.6 устраняет это ограничение с помощью архитектурных улучшений в механизмах внимания и извлечения информации. На 8-недельном варианте 1M MRCR v2 (тест на получение информации, скрытой в обширном текстовом корпусе), Opus 4.6 набрал 76%, по сравнению с всего 18,5% для своего предшественника, Claude Sonnet 4.5.[1] Это представляет собой качественное изменение длины используемого контекста, позволяющее приложениям, требующим отслеживания деталей в миллионах токенов. Anthropic Partner Box сообщила, что Opus 4.6 «отличается высокими аргументационными задачами, такими как многоисточникный анализ по юридическому, финансовому и техническому содержанию», с 10% повышением производительности, достигающим 68% точности по сравнению с 58% исходным пунктом[1]. Safety and Alignment Frameworks Рамочные рамки безопасности и согласования Anthropic's Constitutional AI Approach Claude Opus 4.6 реализует Конституционный ИИ v3, структуру выровнения третьего поколения Anthropic.[1] Система использует автоматизированные аудиты поведения в нескольких измерениях риска, включая: Выявление обмана (попытки самовыражения, скрытые рассуждения, вводящие в заблуждение выводы) Sycophancy reduction (excessive agreement, user-delusion reinforcement) Сопротивление сотрудничеству в отношении злоупотреблений (способности двойного использования, соответствие опасным запросам) Минимизация чрезмерного отклонения (фальсифицированные положительные факторы безопасности на доброкачественных запросах) Anthropic сообщает, что Opus 4.6 демонстрирует «низкие показатели несовместимого поведения» и достигает «низшего уровня избыточного отказа от любых недавних моделей Claude»[1]. Для возможностей кибербезопасности — где Opus 4.6 показывает «улучшенные возможности», которые могут быть использованы неправильно — Anthropic разработал шесть новых зондов для отслеживания различных форм потенциального злоупотребления[1]. OpenAI's Preparedness Framework GPT-5.3 Codex представляет собой первую модель, классифицированную как «Высокая» для риска кибербезопасности в рамках Рамочной готовности OpenAI, требующую усиленных гарантий развертывания[2]. Рамочная система работает с помощью классификации рисков (низкий, средний, высокий, критический) по четырем категориям рисков: кибербезопасность, CBRN (химическая, биологическая, радиологическая, ядерная), убеждение и автономия моделей[2]. OpenAI еще не опубликовал подробные результаты оценки безопасности для GPT-5.3 Codex, эквивалентного системной карте Anthropic для Opus 4.6, что затрудняет непосредственное сравнение безопасности. Comparative Safety Philosophy Конституционный подход Anthropic встраивает ограничения выравнивания непосредственно в поведение модели посредством обучения и обучения усилению от обратной связи с ИИ. Это создает присущие свойства безопасности, которые сохраняются во всех контекстах развертывания. Рамка готовности OpenAI рассматривает безопасность как свойство развертывания, а не свойство модели, позволяя тонкий контроль через внешние системы.Это позволяет повысить сырую способность на уровне модели при перемещении обязанностей по безопасности на слой платформы. Для регулируемых отраслей (здравоохранение, финансы, юридические), задокументированные низкие показатели дисбаланса и всеобъемлющая карта системы Anthropic обеспечивают более четкие пути аудита. Pricing and Deployment Economics Pricing and Deployment Economics API Pricing Models Pricing Dimension Claude Opus 4.6 GPT-5.3 Codex Input tokens (standard) $5 / million Pending Output tokens (standard) $25 / million Pending Input tokens (premium) $10 / million — Output tokens (premium) $37.50 / million — Prompt caching $1.25 / million (75% off) TBD Context window 200k (1M beta) 400k Max output 128k tokens 128k tokens Входные токены (стандартные) $5 / миллион В ожидании Токены выхода (стандартные) $25 / миллион В ожидании Входные токены (премиум) $10 / миллион — Токены выхода (премиум) $37,50 / миллион — Быстрый кэш $1.25 / million (75% off) ТБД Окно контекста 200k (1М бета) 400к Макс Выход 128к токенов 128k tokens Таблица 3: Сравнение цен API по состоянию на 9 февраля 2026 года Цены на Claude Opus 4.6 полностью прозрачны и доступны немедленно.Стандартная цена ($5 ввода / $25 вывода на миллион токенов) применяется к запросам до 200 000 токенов. Премиальная цена ($10 ввода / $37,50 на миллион токенов) применяется при использовании контекстного окна бета-текенов на 1 миллион токенов[1]. Система быстрого кеширования Anthropic предлагает снижение затрат на 75% на повторяющийся контент, снижая затраты на ввод до $1,25 на миллион токенов в кеш[1]. Цены на API Codex GPT-5.3 остаются неопубликованными с 9 февраля 2026 года[3]. OpenAI объявил, что доступ к API станет доступен «в ближайшие недели», но не предоставил оценки затрат[2]. Текущий доступ ограничен уровнями подписки ChatGPT Plus, Pro, Team и Enterprise, с ценами API на токен ожидается позже. Организации, планирующие развертывание в феврале-марте 2026 года, могут выполнить точные прогнозы затрат на Claude Opus 4.6, но должны оценить затраты на GPT-5.3 на основе исторических моделей ценообразования OpenAI. Cost modeling implications: Inference Speed and Throughput GPT-5.3 Codex обеспечивает 25% более быстрый вывод, чем его предшественник, что приводит к примерно на 33% более высокой пропускной способности для эквивалентных объемов токенов[2][3]. Рассмотрим команду разработчиков, выполняющую 5000 задач кодирования агентов в день, каждый из которых требует 10 вызовов API с ответами на 500 токенов. Claude Opus 4.6 Базовая линия: ~240 секунд на задание → 20 000 минут в день GPT-5.3 Codex оптимизирован: ~180 секунд на задание → 15 000 минут в день Net productivity gain: 5,000 minutes (83 hours) of latency reduction daily Для приложений, чувствительных к задержке (интеграции IDE, обзор кода в режиме реального времени), преимущество скорости GPT-5.3 напрямую переводится на улучшение пользовательского опыта. Deployment Decision Framework Рамочная база для принятия решения о развертывании Selection Criteria by Use Case Use Case Category Preferred Model Rationale Graduate-level research, academic analysis Claude Opus 4.6 GPQA Diamond: 77.3% vs. 73.8%; MMLU Pro: 85.1% vs. 82.9% Long-context document analysis (>200k tokens) Claude Opus 4.6 1M context window enables whole-document processing Legal reasoning, contract analysis Claude Opus 4.6 BigLaw Bench: 90.2%; GDPval-AA economic reasoning: 1606 Elo High-volume agentic coding loops GPT-5.3 Codex 25% faster inference; lower premature completion rates Terminal automation, shell scripting GPT-5.3 Codex Terminal-Bench 2.0: 77.3% vs. 65.4% Desktop GUI automation GPT-5.3 Codex OSWorld-Verified: 64.7%; native computer-use capabilities Regulated industries (healthcare, finance) Claude Opus 4.6 Comprehensive system card; low misalignment rates; constitutional AI audit trail Existing OpenAI ecosystem integration GPT-5.3 Codex Native compatibility with Copilot, Azure OpenAI, ChatGPT Enterprise Исследования аспирантуры, академический анализ Клод Опус 4.6 GPQA Diamond: 77,3% против 73,8%; MMLU Pro: 85,1% против 82,9% Долгосрочный анализ документов (>200 000 токенов) Клод Опус 4.6 Контекстное окно 1М позволяет обрабатывать целые документы Правовое обоснование, анализ контрактов Клод Опус 4.6 BigLaw Bench: 90.2%; ВВПval-AA экономическое обоснование: 1606 Elo Высокий объем агентского кодирования ГПТ 5.3 Кодекс 25% более быстрый вывод; более низкая скорость преждевременного завершения Автоматизация терминалов, Shell Scripting ГПТ 5.3 Кодекс Терминал-бенч 2.0: 77,3% против 65,4% Автоматизация Desktop GUI ГПТ 5.3 Кодекс OSWorld-Verified: 64,7%; возможности использования компьютера на родном языке Регулируемые отрасли (здравоохранение, финансы) Клод Опус 4.6 Комплексная системная карта; низкие показатели несоответствия; конституционный аудит ИИ Интеграция существующей экосистемы OpenAI ГПТ 5.3 Кодекс Натуральная совместимость с Copilot, Azure OpenAI, ChatGPT Enterprise Таблица 4: Рамочная структура отбора моделей по случаю использования Multi-Model Deployment Strategy Для организаций с разнообразными рабочими нагрузками на ИИ, стратегия маршрутизации с несколькими моделями может оптимизироваться как для производительности, так и для затрат. Routing Configuration Example: const MODEL_CONFIG = { reasoning: {model: "claude-opus-4-6", fallback: "gpt-5.3-codex", use: "GPQA-heavy analysis, long-context docs, legal reasoning", effortLevel: "high"}, coding: { model: "gpt-5.3-codex", fallback: "claude-opus-4-6", use: "Agentic loops, terminal tasks, large-scale refactors", maxRetries: 3 }, timeoutMs: 120000, telemetry: { trackAcceptanceRate: true, trackRerunsPerModel: true, trackReviewerEdits: true } }; Эта конфигурация направляет интенсивные задачи (синтез исследований, архитектурные решения, сложные дебютирования) к Claude Opus 4.6, одновременно направляя задачи кодирования с высокой пропускной способностью (автоматизированные испытания, рефакторы, автоматизация терминалов) к GPT-5.3 Codex. Key observability metrics: Коэффициент принятия патча по модели Средние перерывы, необходимые до утверждения Рецензент редактирует плотность (линии меняются после поколения) Время окончания задания Стоимость за успешное выполнение задания Организации должны использовать эти показатели в периоды оценки (30-90 дней), чтобы эмпирически подтвердить выбор модели, а не полагаться исключительно на опубликованные показатели. Migration Guidance Миграционное руководство From Claude Opus 4.5 to 4.6 Anthropic ввел несколько ключевых изменений, которые требуют модификаций кода: Префиллинг ответа отключен: Claude 4.5 поддерживает префиллинг ответа для руководства форматом выхода. Эта возможность удаляется в 4.6. Расширенное мышление заменяется адаптивным мышлением: API-призывы с использованием extended_thinking: истинное должно перейти к новой системе уровня усилий (усилие: «низкий», «средний», «высокий», «макс»). Оптимизация сжатия контекста: долгосрочные агентические задачи должны позволять сжатие, чтобы предотвратить истощение контекста. Запускайте параллельные развертывания 4,5 и 4,6 на пробах производственного трафика (10-20% объема) в течение 2-4 недель, чтобы выявить различия в поведении до полного сокращения. Testing recommendations: From GPT-5.2 Codex to 5.3 OpenAI еще не опубликовал руководство по миграции для GPT-5.3 Codex по состоянию на 9 февраля 2026 года.На основании ранних отчетов о доступе и объявления 5 февраля ожидаемые изменения включают: Более быстрый вывод по умолчанию: увеличение скорости на 25% может повлиять на конфигурации временных промежутков и логику перезагрузки в существующих агентических системах. Низкое преждевременное завершение: Задачи, которые ранее требовали явных побуждений «продолжать», могут быть выполнены автономно, потенциально изменяя поток разговора. Новые возможности глубокого изучения: рабочие процессы обзора кода могут использовать улучшенные объяснения, показывающие рассуждения за изменениями, а не только сами изменения. Организации должны поддерживать GPT-5.2 в качестве варианта обратной связи в течение первоначального периода развертывания API, используя флаги функций или переменные окружающей среды для управления маршрутизацией модели при подтверждении поведения 5.3 на внутренних кодовых базах. Limitations and Future Research Directions Ограничения и направления будущих исследований Benchmark Validity and Generalization Критическим ограничением этого анализа является несовместимость вариантов SWE-bench. Anthropic и OpenAI отчитываются о результатах на разных подгруппах эталонов (Verified vs. Pro Public), что делает прямые численные сравнения недействительными.Эта фрагментация отражает более широкие проблемы в оценке ИИ: компании избирательно отчитываются о эталонах, где их модели работают благоприятно, а насыщение эталонов (точки приближаются к 100%) уменьшает дискриминационную силу. Будущие исследования должны быть приоритетными: Стандартизированные протоколы оценки, принятые всеми компаниями Доменные ориентиры для регулируемых отраслей (диагностика здравоохранения, финансовое соответствие, правовое открытие) Долгосрочные исследования развертывания, отслеживающие производительность модели на реальных инженерных командах в течение месяцев, а не синтетические показатели Safety Evaluation Transparency В то время как Anthropic опубликовал всеобъемлющую системную карту для Claude Opus 4.6[1], OpenAI не выпустил эквивалентную документацию для GPT-5.3 Codex по состоянию на 9 февраля 2026 года.Эта асимметрия ограничивает строгое сравнение безопасности.Классификация кибербезопасности «Высокая» предполагает значительные возможности двойного использования, но без подробных отчетов красной команды организации не могут самостоятельно оценить уровни риска. Сообщество безопасности ИИ требует стандартизированных рамок отчетности о безопасности, аналогичных системам общих уязвимостей и воздействий (CVE) в сфере кибербезопасности. Количественные показатели дисбаланса по категориям поведения Коэффициенты успеха Red-Team и векторы эксплуатации Данные об эффективности развертывания смягчения Протоколы реагирования на инциденты и сроки раскрытия информации Economic Model Uncertainty Ценообразование GPT-5.3 Codex остается неопубликованным, что препятствует полному анализу общих затрат на владение (TCO).Организации, оценивающие эти модели в феврале-марте 2026 года, сталкиваются с неопределенностью в области закупок, которая может задержать решения о развертывании. Кроме того, ни одна из компаний не опубликовала данные о выводных выбросах углерода, что является все более важным фактором для организаций с обязательствами по устойчивому развитию. Conclusion Заключение Claude Opus 4.6 и GPT-5.3 Codex представляют собой отдельные стратегические видения для развития граничного ИИ. Anthropic уделяет приоритет глубине рассуждений, долгосрочным возможностям и конституционному выравниванию, создавая модель, оптимизированную для работы с знаниями высокого уровня, где точность и суждение имеют наибольшее значение. Оптимальный выбор зависит от характеристик рабочей нагрузки, существующей инфраструктуры, нормативных требований и толерантности к организационному риску. Для многих предприятий стратегия маршрутизации с несколькими моделями предлагает лучшее из обоих подходов: Claude для исследований, анализа и регулирующих приложений; GPT-5.3 для автоматизации кодирования, рабочих процессов терминалов и задач с высоким уровнем пропускной способности. По мере того, как эти модели войдут в производство в ближайшие месяцы, эмпирические данные производительности от реальных инженерных команд предоставят фундаментальную истину, выходящую за рамки синтетических показателей.Организации должны применять телеметрию с самого начала, отслеживать показатели принятия, редактировать плотность и показатели выполнения задач для подтверждения решений по выбору моделей. References Референции [1] Антропический. (2026, 4 февраля). Введение Клода Опуса 4.6. . . Антропологические новости https://www.anthropic.com/news/claude-opus-4-6 [2] OpenAI. (2026, 5 февраля). OpenAI выпускает GPT-5.3-Codex. Восстановленный от Открытие объявлений https://www.tomsguide.com/ai/i-tested-chatgpt-5-2-vs-claude-4-6-opus-in-9-tough-challenges-heres-the-winner Клод Опус 4.6 против GPT-5.3 Кодекс: полное сравнение. . . Цифровой прикладный блог https://www.digitalapplied.com/blog/claude-opus-4-6-vs-gpt-5-3-codex-comparison [4] в GPT 5.3 Codex vs Claude Opus 4.6: Обзор новой границы ИИ. . . Игорь.Ай Блог Блог https://www.eesel.ai/blog/gpt-53-codex-vs-claude-opus-46 Игорь.Ай Claude Opus 4.6 от Anthropic претендует на первое место в рейтингах AI, опередив OpenAI и Google. . . Тенденционные темы ЕС https://www.trendingtopics.eu/anthropics-claude-opus-4-6-claims-top-spot-in-ai-rankings-beating-openai-and-google/ Сэм Альтман провозглашает ускоряющийся рост ChatGPT, поскольку OpenAI закрывает финансирование в размере 100 миллиардов долларов. . . Технология CNBC https://www.cnbc.com/2026/02/09/sam-altman-touts-chatgpt-growth-as-openai-nears-100-billion-funding.html
