אם קוראים רק את הודעות ההשקה, המסקנה נראית פשוטה: GPT-5.6 Sol ניצח את Claude Fable 5. לפי OpenAI הוא השיג ציון גבוה יותר במבחן סוכני קוד, השתמש בפחות טוקנים, סיים מהר יותר וגם זול יותר ב-API. אחרי עבודה אמיתית עם שניהם, המסקנה שלנו ב-DevShift מורכבת יותר: Sol סגר את הפער ברמת המודל, אבל Codex עדיין לא סגר את פער האורקסטרציה מול Claude Code.
Sol הוא מודל מצוין, במיוחד למחקר, חקירה וניתוח טכני יסודי. אבל במשימות מורכבות ורב-שלביות הוא נוטה לעבוד יותר זמן מ-Fable, להרחיב את הסקופ ולהמשיך לאמת הרבה אחרי שהעבודה החשובה כבר הייתה צריכה להסתיים. Claude Code עם Ultracode עדיין מרגיש כמו המערכת החזקה יותר להפוך מטרה גדולה לעבודה מתואמת שבאמת מגיעה לקו הסיום.
הבהרה חשובה: זה לא בנצ'מרק מעבדה מבוקר. זה דוח מהשטח, מתוך בנייה, דיבוג, מחקר ושחרור תוכנה עם שני הכלים. אנחנו מפרידים כאן בין נתוני הספקים לבין הניסיון שלנו, כי ההבדל ביניהם הוא בדיוק הסיפור.
ההערכה הזאת נשענת על שימוש משמעותי: לאורך שבועיים אינטנסיביים, ובמגוון פרויקטים שלנו, השתמשנו ביותר מ-20 מיליארד טוקנים במצטבר ב-Fable וב-Sol. זה לא ניסוי מעבדה מבוקר, אבל זו חשיפה רחבה מספיק כדי לזהות דפוסי עבודה חוזרים ולא רושם ממשימה בודדת.
Claude Fable 5 מול GPT-5.6 Sol: פסק הדין הקצר
הכי טוב ב: מימוש מורכב, בנייה ארוכת טווח, עבודה מקבילית ושמירה על קוהרנטיות של מטרה גדולה.
למה: Ultracode וה-workflows הדינמיים של Claude Code מספקים שכבת אורקסטרציה חזקה יותר סביב המודל.
חולשה: מחיר API גבוה, צריכת טוקנים כבדה ב-workflows וחוויית עבודה מרחוק פחות חלקה.
הכי טוב ב: מחקר, חקירת ריפו לעומק, איתור מקרי קצה ועבודה רציפה בין המחשב לטלפון.
למה: Sol שיטתי, ואפליקציית Codex הופכת כל משימה פעילה לזמינה בקלות מכל מכשיר.
חולשה: הוא עלול לעשות overengineering, להרחיב סקופ ולבזבז יותר מדי זמן על אימות עצמי.
השורה התחתונה שלנו: Sol אולי מנצח בבנצ'מרק, אבל Fable עדיין מנצח אצלנו בתהליך העבודה על תוכנה מורכבת. Codex מנצח באפליקציה. Claude Code מנצח על התזמורת.
מה הבנצ'מרקים אומרים — ומה הם לא אומרים
OpenAI מדווחת ש-GPT-5.6 Sol קיבל ציון 80 במדד Artificial Analysis Coding Agent, 2.8 נקודות מעל Fable 5, תוך שימוש בפחות מחצי מכמות טוקני הפלט, בפחות מחצי מהזמן ובעלות של כשליש באותה הערכה. ברמת המודל, חלון ההקשר של Sol, עם 1.05 מיליון טוקנים, מעט גדול יותר ממיליון הטוקנים של Fable.
אבל יש כאן הסתייגות משמעותית ברמת המוצר: המודל Sol עצמו תומך ב-1.05 מיליון טוקנים, אבל קטלוג המודלים הנוכחי של Codex שבו השתמשנו בבדיקות חושף חלון של 272 אלף טוקנים. Fable מציע חלון של מיליון טוקנים. בפועל, החלון של Claude גדול בערך פי 3.7. בעבודה ארוכה שחוצה ריפו שלם זה אינו הבדל מפרט זניח: Claude יכול לשמור הרבה יותר קוד, לוגים, פלט מכלים והחלטות קודמות לפני compaction או אובדן הקשר. כלומר, חלון המודל של Sol מעט גדול יותר על הנייר; החלון של Codex קטן משמעותית במוצר שבדקנו.
באותה טבלה OpenAI מציגה את Sol עם 88.8% מול 83.1% ל-Fable ב-Terminal-Bench 2.1, ו-72.7% מול 69.7% ב-DeepSWE v1.1. אלה נתוני ספק, אבל היתרון עקבי בשלושת מבחני הקוד ש-OpenAI בחרה לפרסם.
גם פער מחיר ה-API אמיתי. Sol מתומחר ב-5 דולר למיליון טוקני קלט וב-30 דולר למיליון טוקני פלט. Fable 5 מתומחר ב-10 וב-50 דולר. אם מדובר בנפח גבוה ועלות ה-API היא השיקול המרכזי, Sol מתחיל עם יתרון משמעותי.
גם ההשוואה העצמאית של Artificial Analysis מעריכה כרגע 7.08 דולר ו-10.2 דקות למשימה ל-Sol ב-Codex, מול 11.72 דולר ו-23.4 דקות ל-Fable ב-Claude Code. צילום המצב הזה מחזק את טיעון היעילות, אף שהתוצאה בזמן-שעון שונה ממה שאנחנו רואים לא פעם בעבודת פרויקט גדולה ומבולגנת יותר.
אבל בנצ'מרק קוד מודד מודל בתוך מעטפת מסוימת. התוצאה ביום-יום תלויה גם בדרך שבה המוצר תוחם עבודה, מחלק תתי-משימות, שומר הקשר, מפעיל כלים, יודע לעצור ומאפשר לכם להתערב. לכן השאלות "איזה מודל חכם יותר?" ו"איזו מערכת עוזרת לנו לשחרר מהר יותר?" יכולות לקבל תשובות שונות.
מבחן פרומפט אחד של DevShift · 20 ביולי 2026
נתנו לשתי המערכות את אותו בריף לדף נחיתה
הפעלנו את Fable 5 ו-Sol במקביל מאותו commit וב-worktrees מבודדים. שניהם קיבלו את אותו בריף: לבנות דף מוצר עם אובייקט תלת-ממדי אחד שמשתנה לאורך הגלילה, בלי dependencies או נכסים חיצוניים, ולהמשיך עד לבדיקות build, מובייל, reduced motion ו-no-JS. ההבדל היחיד היה נתיב הפלט.
Claude Fable 5 + Claude Code
- 56 דקות ו-16 שניות
- 19.61 מיליון טוקנים ב-transcript
- 2,854 שורות · 9 קבצים
מנוע תלת-ממד מודולרי יותר, עם הפרדה בין geometry, renderer ו-lifecycle. אחרי תיקוני ה-review לא נשארו ממצאים קריטיים או גבוהים, אבל ה-render loop כבד יותר וקישור ישיר לשלב עלול להשאיר את ה-HUD שלב אחד מאחור עד שממשיכים לגלול.
לצפייה בעמוד של FableGPT-5.6 Sol + Codex
- 28 דקות ו-44 שניות
- 14.54 מיליון טוקנים ב-transcript
- 1,991 שורות · 6 קבצים
מימוש קטן וחסכוני יותר בזמן ריצה: bounds נשמרים, DPR מוגבל וה-rendering נעצר כשאין תנועה. המחיר הוא renderer ו-lifecycle מרוכזים ב-client component אחד של 766 שורות.
לצפייה בעמוד של Solבמבחן המבוקר הזה Sol סיים בערך בחצי מהזמן, השתמש בכ-26% פחות טוקנים וכתב כ-30% פחות קוד. זו תוצאה ברורה — וגם דוגמה נגדית כנה לניסיון השטח הרחב שלנו, שבו Fable בדרך כלל מסיים משימות פרויקט מורכבות מהר יותר.
מבחינת איכות קוד, שניהם תוצרים רציניים שעברו lint, typecheck ו-build סטטי. Fable מנצח במודולריות של המנוע; Sol מנצח בקומפקטיות ובמשמעת ביצועים. שתי המערכות הפעילו בעצמן agent נפרד ל-code review, ותוצאות ה-agents נכללו בזמן ובטוקנים.
בפסק הדין הוויזואלי שלנו, Fable נראה טוב יותר. העמוד שלו הרגיש מלוטש, קוהרנטי ומרשים יותר לאורך הגלילה — גם אם Sol ניצח בזמן וביעילות.
הטוקנים כוללים cached context ו-tool payloads ולכן מודדים עיבוד כולל, לא עלות API לא-שמורה. גם handoff של כשלוש דקות ל-Remote Control של Claude נכלל בזמן של Fable. זה ניסוי greenfield יחיד, לא תחליף ליותר מ-20 מיליארד טוקנים של עבודה בשטח.
איפה GPT-5.6 Sol באמת מצוין
Sol הוא שותף המחקר הטוב ביותר שבו השתמשנו עד היום מבית OpenAI. תנו לו בסיס קוד לא מוכר, שרשרת אירועים מתקלה בפרודקשן או שאלה טכנית עם כמה הסברים מתחרים, והוא טוב מאוד בבדיקת הענפים השונים לפני שהוא מתחייב לתשובה.
מחקר ואיסוף ראיות
Sol סבלני מול מקורות, מצליב טענות ומזהה סתירות. במחקר ארכיטקטורה, חקירת תקלות בפרודקשן או השוואת דרכי מימוש, השיטתיות הזו היא יתרון אמיתי.
מקרי קצה וסיכונים חבויים
הוא מוצא את גבול ההרשאה, סיכון המיגרציה, חור הבדיקות או מצב הכשל הסמוך שסוכן מהיר יותר עלול לפספס. בעבודת review, זו בדיוק הנטייה שאנחנו רוצים.
עבודה שקופה וקלה לבדיקה
Codex מציג לאורך המשימה פלט טרמינל, שינויים, צילומי מסך, בדיקות ואישורים. האפליקציה בנויה סביב פיקוח על עבודה הנדסית ארוכה, ולא רק סביב קריאת תשובה סופית.
הבעיה של Sol: הוא לא תמיד יודע מתי לעצור
אותה זהירות שהופכת את Sol לחוקר טוב יכולה להפוך לחיכוך בזמן מימוש. תיקון ממוקד גדל לניקוי רחב יותר. הניקוי מפעיל עוד בדיקות. הבדיקות חושפות סיכונים היפותטיים. פתאום הסוכן מתכנן הגנות לבעיות שמחוץ לבריף המקורי, בזמן שהשינוי שביקשתם עדיין לא נמסר.
זו תצפית שלנו, אבל אנחנו לא היחידים. בדיווחים מוקדמים של קהילת Codex, משתמשים תיארו את אותה נטייה ל-overengineering וגם זמני ריצה ארוכים יותר במשימות משמעותיות. אלה עדויות משתמשים, לא בנצ'מרק, אבל הן דומות מאוד למה שאנחנו רואים.
גם מבחן עצמאי של פרומפט יחיד לבניית אתר, שערכה Merge, מצא ש-Fable סיים מהר יותר והפיק עמוד שלם יותר, בעוד Sol הציג סיפור מוצר עשיר יותר במחיר יצירה נמוך משמעותית. מבחן קטן אחד לא מוכיח דבר לבדו. הוא כן ממחיש למה גרף יחיד של ספק לא מסיים את הדיון.
יסודיות היא יתרון עד שהיא הופכת להרחבת סקופ. Sol עובד טוב יותר כשמגדירים לו תנאי עצירה חדים במיוחד: מה היעד המדויק, מה מחוץ לסקופ, מהו האימות המינימלי הנדרש ומתי עליו לבקש אישור לפני הרחבת המשימה.
למה Claude Code עדיין מוביל באורקסטרציה
Fable 5 הוא מודל חזק בפני עצמו, אבל היתרון הגדול יותר הוא המערכת שסביבו. ה-workflows הדינמיים של Anthropic מאפשרים ל-Claude ליצור תוכנית עבודה מותאמת למשימה, להפעיל כמה סוכנים במקביל, להוסיף נקודות ביקורת, לאמת תוצרים ולסנתז את התוצאה. ההגדרה ultracode משלבת מאמץ xhigh עם הרשאה ל-Claude להחליט מתי workflow כזה מוצדק.
זה משנה את צורת המשימה הגדולה. במקום שסוכן אחד יעשה ברצף מחקר, עריכה, בדיקות, הערכה מחדש וחוזר חלילה, Claude יכול לפצל עבודה עצמאית, לשמור את ההקשר הראשי ממוקד בתיאום ולחבר מחדש את התוצאות. Anthropic עצמה מזהירה ש-workflows דינמיים צורכים הרבה יותר טוקנים. מניסיוננו, הם צורכים פחות מהמשאב הנדיר שבאמת חשוב: הזמן של המפעיל.
במיגרציה שחוצה ריפו שלם, פיצ'ר מוצר מורכב או חקירה ארוכה עם כמה גורמים אפשריים, Claude Code החלטי יותר לגבי פירוק העבודה. Sol מסוגל לחשוב לעומק על כל חלק; Claude הופך את החלקים לצוות באופן אמין יותר.
הטוב משני העולמות: Claude Code יכול להפעיל את Codex
יש עכשיו גשר רשמי בין השניים: תוסף Codex הרשמי של OpenAI ל-Claude Code. חשוב לדייק בכיוון: התוסף הרשמי מפעיל את Codex מתוך Claude Code; הוא לא הופך את Codex למנהל של sessions ב-Claude. בפועל, זה בדיוק הכיוון שאנחנו רוצים כאשר Claude Code ו-Ultracode הם שכבת האורקסטרציה החזקה יותר.
אחרי התקנת התוסף אפשר להשאיר workflow דינמי או Ultracode בהובלת Claude אחראי לפירוק ולתיאום, ואז להפעיל את Codex ל-review רגיל או adversarial, להעביר אליו משימת rescue תחומה ברקע, לבדוק סטטוס ותוצאה, ואפילו להעביר את ה-session הנוכחי של Claude ל-thread מתמשך ב-Codex. כך מקבלים את חוזקות המחקר וה-review של Sol בתוך workflow שמובל בידי Claude, בלי להעתיק ידנית את כל ההקשר בין הכלים.
הדפוס ההיברידי שלנו: Claude Code מנצח על התזמורת; Codex מאתגר החלטות, עושה review ל-diff או מקבל תת-משימה תחומה היטב. עדיין מדובר בשני runtimes עם שתי מכסות שימוש. תיעוד התוסף מזהיר ששער ה-review האופציונלי עלול ליצור לולאת Claude/Codex ארוכה ולרוקן מכסות במהירות, ולכן אנחנו מפקחים על התהליך ולא מפעילים אותו כ-fire-and-forget.
איפה Codex מנצח בבירור: האפליקציה והסנכרון
כאן התחרות לא צמודה. Codex באפליקציית ChatGPT טוען את המצב החי של סביבות מחוברות ומסנכרן משימות פעילות, אישורים, שינויים, צילומי מסך, תוצאות בדיקות, פלאגינים והקשר פרויקט. אפשר להתחיל ליד השולחן, להמשיך מהטלפון, להתערב באמצע משימה ארוכה ולחזור אחר כך לאותו מצב.
גם Claude Code Remote Control יכול לחשוף session מקומי לווב או לאפליקציה. אבל כברירת מחדל צריך להפעיל אותו באמצעות claude remote-control, --rc או /rc. בגרסאות חדשות יש הגדרה בשם “Enable Remote Control for all sessions” שמסירה חלק מהחיכוך, אבל המוצר עדיין מרגיש כמו חיבור מרחוק שמוצמד ל-session. Codex מרגיש כמו סביבת עבודה אחת שבמקרה יש לה כמה מסכים.
למי שעובר בין משרד, לפטופ וטלפון, זה חשוב יותר מכמה נקודות בבנצ'מרק. הסוכן הטוב ביותר הוא לעיתים זה שאפשר לענות לו לפני שהוא משקיע עוד שעה בענף הלא נכון.
אז במה היינו בוחרים?
- למחקר עמוק או לחקירת תקלה בפרודקשן: GPT-5.6 Sol. הסבלנות שלו, העבודה עם מקורות והתיאבון למקרי קצה הם בדיוק מה שאנחנו רוצים לפני שמחליטים מה לשנות.
- לבנייה מורכבת ורב-שלבית: Claude Fable 5 בתוך Claude Code. האורקסטרציה של Ultracode גורמת לכל המערכת להרגיש מהירה וקוהרנטית יותר, גם כשהבנצ'מרק אומר שהמודל הבסיסי איטי יותר.
- לקוד מכל מקום: Codex. חוויית האפליקציה והסנכרון של OpenAI היא שכבת המוצר הטובה ביותר בהשוואה הזו.
- לעבודה עם סיכון גבוה: שניהם. תנו ל-Sol לאתגר הנחות ולחקור את השטח; תנו ל-Claude לתזמר את המימוש; ואז השתמשו באחד כדי לבצע review לשני.
- לשילוב הכי מוצלח: Claude Code יחד עם codex-plugin-cc. השאירו את Claude ו-Ultracode אחראים לאורקסטרציה, והשתמשו ב-Codex ל-adversarial review, למחקר או לתת-משימה תחומה.
הפער נסגר, אבל המנצח הוא לא רק מודל
Claude שלט בפיתוח סוכני מסיבה טובה. GPT-5.6 Sol משנה את המאזן: ל-OpenAI יש עכשיו מודל קצה שמתחרה ישירות, עוקף את Fable במדד קוד מרכזי ועושה זאת במחיר API נמוך יותר. כבר לא רציני לטעון ש-Codex נמצא הרחק מאחור.
אבל שחרור תוכנה אינו טבלת דירוג של מודלים. הוא איכות המודל כפול אורקסטרציה, עיצוב המוצר, ניהול ההקשר ועלות הפיקוח האנושי. נכון להיום, העמדה שלנו ב-DevShift היא ש-Sol סגר את פער האינטליגנציה מהר יותר מכפי ש-Codex סגר את פער האורקסטרציה. Claude Code עם Ultracode נשאר הבחירה הראשונה שלנו לבניות הקשות והארוכות ביותר. Codex הוא הבחירה הראשונה שלנו למחקר ולהישאר מחוברים לעבודה מכל מקום.
אותו כלל של תהליך לפני מותג נכון גם לגבי סוכני AI לעסקים: בוחרים את המערכת שסביב המודל, לא את הלוגו שעליו. הגישה שלנו לפיתוח פתרונות AI מתחילה בתהליך, במגבלות ובראיות.
בונים מוצר או workflow מבוסס AI ולא בטוחים איזו תשתית מתאימה? ספרו לנו מה אתם מנסים לשחרר. נמליץ על המודל, דפוס האורקסטרציה והגישה ההנדסית שמתאימים לעבודה — גם כשהתשובה היא שילוב.
