Ausgangspunkt des Vergleichs war ein Video von Theo, in dem er behauptete, GPT-5.6 schlage sich in Claude Code besser als in anderen Harnesses – was den Reddit-Nutzer xquarx dazu veranlasste, eine eigene Messung mit DeepSeek V4 Flash durchzuführen. Als gemeinsame Basis lief das Modell via vLLM mit rund 180 Tokens pro Sekunde, sodass die einzige Variable tatsächlich das Scaffolding war. Der Testfall war kein synthetisches Benchmark-Problem, sondern reale „Antigenic Work" in einer großen Codebasis – also praktische Refaktorierungs- und Analyseaufgaben unter Produktionsbedingungen. Die drei Harnesses unterscheiden sich fundamental in ihrer Strategie: Claude Code erkundet die Codebasis ausgiebig mit vielen Tool-Calls, Pi arbeitet mit eigenem Reasoning und trifft Entscheidungen intern, während OpenCode Aufgaben stärker delegiert und weniger eigenständig exploriert. Alle drei lieferten am Ende dieselben Code-Diffs – qualitativ war kein Unterschied messbar. Der Unterschied lag ausschließlich in Wanduhrzeit und Token-Verbrauch: Claude Code benötigte fast viermal so lange wie das schnellste System. Die vollständigen Charts, Token-Spreads und Roh-Daten hat xquarx auf einer eigenen GitHub-Pages-Site veröffentlicht, wo einzelne Runs nachvollziehbar sind.