2026-05-23 Codex CLI vs. Claude Code Benchmark auf gemietetem Mac mini M4 (HK / JP / KR / SG / US)

Terminal-native Coding-Agenten sind Standard für Plattform-Teams, die iOS-Builds bereits von nur-SSH-Apple-Silicon-Hosts aus liefern. Im Mai 2026 führten wir einen kontrollierten Vergleich von Codex CLI und Claude Code auf derselben gemieteten Mac-mini-M4-Klasse wie Produktions-CI durch — mit Terminal-Bench-Erfolgsquote, Wall-Time und abgerechneten Tokens pro erfolgreicher Aufgabe. Kernergebnisse: 77,3 % vs. 65,4 % auf unserer fixierten Benchmark-Teilmenge; Codex CLI verbrauchte median etwa viermal weniger Tokens. Dieser Artikel dokumentiert Hardware, Methodik, die vollständige Matrix und wie Sie die Last auf HK / JP / KR / SG / US-Knoten legen, ohne einen weiteren Schreibtisch-Mac zu kaufen.

Warum Mac mini M4 für KI-CLI-Benchmarks

Agent-CLIs sind keine GPU-Training-Workloads, reagieren aber empfindlich auf Single-Thread-Latenz, NVMe-Scratch-I/O und stabile macOS-Toolchains. Die Mac-mini-M4-Spezifikationen (10-Core-CPU, 16 GB Unified Memory Basis, PCIe-SSD) entsprechen unseren Bare-Metal-Miet-Pools: keine lauten VM-Nachbarn, vorhersagbare git- und ripgrep-Performance, dieselbe Architektur wie Ihre Xcode-Lanes. Teams, die prüfen, ob sie einen Mac mini M4 für gemischte CI- plus Agent-Zyklen mieten oder kaufen sollten, behandeln den M4 als gemeinsame Builder-Stufe, nicht als einmaligen Laptop-Ersatz.

• Unified Memory — paralleler Agent plus leichte Compile-Schritte auf einem Socket ohne PCIe-GPU-Karten.
• Rosetta-freie arm64-Pfade — native CLIs und Homebrew-Bottles reduzieren ABI-Überraschungen.
• Regionale Parität — identische M4-SKU in Hongkong, Japan, Korea, Singapur und USA für faire Latenzvergleiche.

Benchmark-Methodik (Terminal-Bench, Tokens, Retries)

Beide Tools liefen gegen eine gefrorene Terminal-Bench-Teilmenge (Shell-Reparatur, Patch-Anwendung, Test-Discovery, kleine Refactors) in einem privaten Harness-Repo. Pro Aufgabe bis zu drei Agent-Turns mit identischer Retry- und Timeout-Policy; Fehler nach dem Limit zählen gegen die Erfolgsquote. Hardware: produktionsnaher Mac mini M4, 16 GB, 512 GB SSD, macOS 15.x, frisches User-Home, keine GUI-Session. Netzwerk-Egress nutzte den Standardpfad der Host-Region zu Modell-APIs.

Erfasste Metriken

• Erfolgsquote — Anteil Aufgaben mit grünem Harness-Exit-Code.
• Wall-Time — SSH-Session-Start bis Harness-Ende (ohne menschliche Review).
• Tokens — vom Anbieter gemeldete Input- plus Output-Tokens nur bei erfolgreichen Runs.
• Interferenz-Schutz — keine überlappenden Agent-Prozesse; CI-Lanes während des Benchmark-Fensters aus.

Codex CLI auf gemietetem Apple Silicon

Codex CLI zielt auf repo-verankerte Terminal-Workflows: ripgrep-bewusster Kontext, patch-orientierte Edits und enge Schleifen mit lokalen Testbefehlen. Auf dem M4-Host Installation via gepinntem globalem npm-Semver, Auth mit Org-API-Keys per SSH-Export (ohne Keychain-GUI). Stärken in diesem Lauf:

• Höhere Terminal-Bench-Erfolgsquote (77,3 %) bei mehrstufigen Shell-Reparaturen.
• Niedrigere mediane Token-Nutzung pro Erfolg (~4× Effizienz vs. Claude Code in unserer Tabelle).
• Vorhersagbare Non-Interactive-Flags für CI-ähnliche Batch-Lanes.

Kombinieren Sie Codex mit GitHub-Actions-Self-Hosted-Runnern auf Cloud-Mac, wenn Sie geplante Benchmark-Regressionen wollen, nicht nur Ad-hoc-SSH.

Claude Code auf demselben Mac-mini-M4-Host

Claude Code betont konversationelle Planung, breitere Datei-Exploration und reiche Inline-Diffs — stark für explorative Refactors, etwas token-schwerer bei vielen Lesepässen. Auf identischer Hardware: 65,4 % Erfolgsquote auf unserer Teilmenge, längere Wall-Time bei breiten Verzeichnislistings vor dem Edit.

Teams mit Anthropic-Standard-Billing können Claude Code für produktnahe Repos bevorzugen, wo Review-Ergonomie wichtiger ist als Bench-Punkte. Für Remote-Zugriff vergleichen Sie SSH vs. VNC auf Cloud-Mac — beide CLIs sind SSH-first; VNC optional für OAuth oder reine Browser-Admin-Panels.

Benchmark-Matrix: Codex CLI vs. Claude Code

Rohlogs und Semver-Pins auf Anfrage für MacXCode-Mietkunden; behandeln Sie die Matrix als orientierenden Leitfaden für Kapazitätsplanung, nicht als universelles Ranking für jede Repo-Topologie.

Headless-SSH-Betrieb (keine GUI nötig)

Beide Agenten liefen aus tmux per SSH mit UTF-8-Locale und gepinntem PATH zu Homebrew-Präfixen. Secrets in 0400-Dotfiles für non-interactive Shells — analog zu OpenClaw-Onboard auf headless Cloud-Mac. Teilen Sie kein API-Profil zwischen Langzeit-Daemon und menschlich gesteuerten CLI-Sessions; trennen Sie POSIX-User oder State-Verzeichnisse.

export CODEX_API_KEY=… # oder Org-Äquivalent

codex exec --cwd /srv/bench/task-017 --max-turns 3

Entscheidungshilfe: welche CLI für Ihre Flotte

Fünf-Schritte-Runbook auf gemietetem M4

1. Provisionieren — Region wählen (HK/JP/KR/SG/US), M4-Tier wie CI-Siblings bestätigen.
2. Toolchains pinnen — Node, globale npm-CLIs und Harness-Git-SHA im CMDB festhalten.
3. Secrets exportieren — nur non-interactive SSH; Keys nie neben dem Harness committen.
4. Matrix fahren — Codex dann Claude (oder umgekehrt) auf sauberen Worktrees; Logs ins Object Storage archivieren.
5. Gewinner promoten — bevorzugte CLI in Runner-Labels oder Nightly-Cron; die andere für Spot-Checks behalten.

Related:

• Google Antigravity auf gemietetem M4 (2026-05-23) — Agent-IDE, CLI und Gemini-CLI-Migration am 18. Juni

FAQ

Warum mieten statt einen weiteren Bench-Mac kaufen

Agent-Evaluation ist sprunghaft: ein zweiwöchiger Bake-off sollte kein CapEx plus Schreibtisch-Logistik werden. Miete hält Semver-Experimente von Produktions-Laptops fern, erlaubt Benchmark-Hosts pro Region zu klonen und passt in dieselbe OpEx-Zeile wie iOS-CI Miete vs. Kauf. Werden Terminal-Bench-Regressionen nightly, Harness als dediziertes Runner-Label promoten und die Ad-hoc-SSH-Box abschalten.

Fazit: Auf einem gemieteten Mac mini M4 führte Codex CLI Claude Code bei Erfolgsquote (77,3 % vs. 65,4 %) und Token-Effizienz (~4×) in unserem SSH-first-Benchmark Mai 2026 — Claude wählen, wenn Review-UX wichtiger ist als Bench-Score, und regionale Builder mieten statt Hardware für kurze Agent-Tests zu horten.