Прикольный бенчмарк tbench.ai, как агенты (оболочка + модель) ведут себя в терминале. Это не только про код, но и про создание среды, скачивание нужного, генерация ключей, манипуляции с файлами, тесты, формирование датасетов и так далее. Забавно, что ни Codex и Claude Code в топ-10 не попали (17 и 16 место соответственно), а на первом и втором сторонние https://antigma.ai/ и https://factory.ai/ Вот тут подробнее: https://www.tbench.ai/leaderboard