GPT-5.3-Codex、GPT-5.2 与 Claude Opus 4.6 在真实重构任务中表现如何？

在这组真实平台重构记录中，GPT-5.3-Codex 的综合审查最均衡，GPT-5.2 更擅长发现严格契约与治理缺陷，Claude Opus 4.6 更适合综合说明和修复后的确认审查。这个结论来自一个项目的 22 天、42 个阶段和 133 个审查周期，适合指导角色分工，不应直接解释为通用模型排行榜。

这次对比是怎样进行的

项目覆盖前端、后端和文档重构。每个审查周期都为模型启动隔离的新 CLI 会话，指向相同仓库状态，提供相同提示包和文件权限；各模型看不到其他模型的报告。审查内容包括 blocker、非阻塞问题、建议和总结。

GPT-5.3-Codex xhigh 还承担长期编排角色，但编排会话不直接审查代码；实际实现和审查使用分开的新会话。尽管作者专门隔离了角色，这仍可能引入工具框架、提示设计和由 GPT 模型综合报告的偏差，阅读结果时必须保留这一限制。

关键结果如何理解

模型	主要表现	更合适的角色
GPT-5.3-Codex xhigh	综合评分均衡，跨栈和架构分析强，平均约 6 至 9 分钟	深度技术审查与共同主审
GPT-5.2 xhigh	真实问题召回较高，擅长契约和治理矛盾，但平均约 17 至 35 分钟	高风险 blocker 守门
Claude Opus 4.6	零误报记录、说明和闭环验证强，但漏掉更多首轮 blocker	二次确认与修复验证

帖子中的一次统计将 GPT-5.2 的问题精确率和召回率记为 81.3% 与 86.7%，GPT-5.3-Codex 为 71.4% 与 55.6%，Claude Opus 4.6 为 100% 与 20%。这些比例来自该项目追踪表中有回溯标签的样本，不代表标准化总体能力。

为什么 GPT-5.2 更像严格守门员

GPT-5.2 在这组记录中更愿意判定 Not Ready，并独立发现过 schema 绕过、脱敏缺口、范围令牌不匹配和治理契约冲突。它漏掉的关键问题较少，因此适合不能容忍重大缺陷漏检的发布关口。

代价是吞吐量较低，且并非所有类型都占优。运行时检查点和部分流程约束由 GPT-5.3-Codex 先发现，说明“更严格”不等于对所有缺陷类别都更敏感。

GPT-5.3-Codex 的优势在哪里

GPT-5.3-Codex 在整体评分、跨栈推理、行动建议和架构对齐上更平衡，审查速度也更适合作为日常主力。它能够连接实现细节、检查点权限与后续风险，但在这份数据中仍比 GPT-5.2 漏掉更多问题。

因此更合理的角色不是让它独自决定所有发布，而是负责深度架构审查和日常主审，再在高风险阶段增加 GPT-5.2 的严格检查。

Claude Opus 4.6 为什么仍有价值

Claude Opus 4.6 在记录中没有 blocker 误报，善于清晰综合证据、遵守审查协议并确认修复是否闭环。它的问题是首轮姿态更保守：133 个周期中只做出 2 次 Not Ready 判断，并出现更多漏检。

这使它适合充当二次验证者，而不是唯一的 blocker 哨兵。修复完成后，让 Opus 检查实现是否与方案一致、证据是否完整，可以发挥其综合和确认能力。

怎样把多模型审查落地

1. 为每个审查周期固定提交、提示、文件权限和验收标准。
2. 让各审查模型在独立会话工作，禁止读取同伴报告。
3. 把发现按 blocker、一般问题和建议分层，不用篇幅代替严重性。
4. 由独立规则或人工确认 TP、FP、FN，避免模型给自己打分。
5. 高风险阶段使用 GPT-5.2 做严格守门，GPT-5.3-Codex 做架构与跨栈审查。
6. 修复后使用 Claude Opus 4.6 做闭环确认，并以测试结果决定是否通过。

这组数据有哪些限制

项目后端和治理任务较多，结果可能不适用于 UI 创作、绿地开发或不同语言栈。模型使用各自原生 CLI，工具编排并不完全相同；xhigh 推理档位、详细提示以及后期阶段更稳定的代码状态也会影响表现。

此外，帖子同时出现 133 个评分周期与 137 个周期表段的统计口径，原因包括重复使用的周期标签和规范化处理。引用数字时应保留原始口径，不能把它包装成实验室基准。

这次真实重构最有价值的结论不是固定排名，而是角色互补：GPT-5.2 负责少漏掉关键问题，GPT-5.3-Codex 负责均衡而深入的跨栈审查，Claude Opus 4.6 负责高信号的综合与修复确认。团队仍应在自己的仓库中记录误报、漏报、耗时和修订成本，再决定最终组合。