一個 HTML 測試看 Claude Code 替代品：重點在驗證方式
XDA 作者以同一段 prompt，要求 Claude Code、Codex、Antigravity 與 OpenCode 製作可離線使用的單一 HTML 跑分紀錄工具。結果中，Claude Code、Codex 及 Antigravity 均通過六項功能檢查；本地運行的 OpenCode 則通過四項。這對考慮 coding agent 的開發者有參考價值，但不能據此判定哪個模型或產品全面較強：測試只有一個任務、一次生成，而且每項工具所用模型與執行環境也不同。
測試任務要求工具毋須帳戶、server 或網絡，並在瀏覽器內保存資料；它要記錄遊戲、設定與平均 FPS、標示最快紀錄、以第一個選取項目作比較基準、刪除紀錄，以及在重新整理後保留資料。作者沒有追加 prompt 或修正指示，因而較接近「一次交付能否直接使用」的情境，卻未能反映較長專案、除錯往返及不同程式語言的表現。
結果反映的，是整套工作流
按 XDA 的記錄，Claude Code 採用 Sonnet 5.5，耗時 2 分 14 秒並通過 6/6 檢查；Codex 使用 GPT-5.6 Terra，耗時 2 分 42 秒，同為 6/6；Antigravity 使用 Gemini 3.8 Flash，耗時 3 分鐘，亦為 6/6。作者稱後兩者在其測試中使用免費層級可提供的最佳模型；Claude Code 則沒有免費層。
Antigravity 生成近 1,976 行程式，比其餘三項約 400 行的平均值長得多，加入搜尋、篩選、排序、統計列及互換比較基準等未被要求的功能，並自行作語法與邏輯檢查。Codex 則較貼近原 prompt，產出後作語法檢查，但作者稱它沒有像 Claude Code 一樣在瀏覽器開啟頁面測試。這些差別說明，使用者選擇的其實不只是模型能力，也包括 agent 預設會否自行驗證、會否擴大功能範圍，以及由此帶來的時間與程式複雜度。
OpenCode 的設定最突顯私隱與離線取捨：作者在自己的 RTX 4070 Ti Super 上，透過 llama.cpp 運行 Qwen3.6-35B-A3B，約 1 分 42 秒完成。輸出是一個精簡、可離線運作的 logger，但比較兩筆結果時把清單位置較低的 FPS 當成基準，而非使用者先點選的紀錄。例如先選 120 FPS、再選 100 FPS，工具仍把 100 FPS 視作基準，報出 20% 增幅，而非相對 120 FPS 的 16.7% 下跌。作者指出，這種錯誤只會在某些輸入與點選次序出現，初步試用未必容易發現。
成本、私隱與可重現性應分開衡量
這次比較可帶出三個實際判斷方向。第一，免費層級能否完成小型日常任務，與訂閱成本是否值得，應以自己的工作量、限制與失敗成本衡量；原文沒有提供各方案的價格或配額細節，不能從這次結果推算長期成本。第二，本地模型可讓整個生成流程留在自己的硬件上，並可配合完全離線的產物；相對地，使用者須自行承擔 GPU、模型設定與輸出驗證。第三，自我檢查不等於功能正確：OpenCode 的基準錯誤正好顯示，驗收要刻意覆蓋邊界情況。
若要把這類比較變成可重現測試，較合理的做法是固定同一模型後比較不同 agent，或固定同一 agent 後更換模型；再以多個任務、重複運行及明確驗收案例記錄結果。尤其應加入不同輸入順序、資料保存、錯誤處理和實際執行測試，並分開記錄生成時間、人工修正時間及是否需要傳送程式碼到雲端。
XDA 的結果較能支持一個有限結論：在這個單頁離線工具任務上，Codex 與 Antigravity 的一次交付表現可與 Claude Code 相近；本地 OpenCode 則提供離線路徑，但需要更嚴謹驗證。下一步值得觀察的，是不同 agent 在相同模型、相同驗收集下，能否維持這個差距。
延伸閱讀
AI 輔助說明： 本文由 AI 協助整理，並經兩輪獨立自動品質審核；資料及連結仍以原始來源為準。
參考來源
- XDA Developers — I tested the 3 Claude Code alternatives the internet keeps talking about, and only one let me down — original report
本文根據原文及公開資料整理；資料有出入時，以原文及官方資料為準。
