跳到主内容
赢政指数
赢政资讯
AI 专题
Winzheng Lab
WDCD
订阅
中文
中文
English
日本語
首页
›
专题
›
AI 代码能力评测
AI 代码能力评测
251 篇文章 · 第 1/13 页
哪个 AI 模型写代码最强?HumanEval 和 MBPP 是常用基准,但它们只测函数级补全,与真实开发场景差距大。赢政指数的代码执行维度(Execution)在隔离沙箱中运行模型生成的完整程序,验证编译通过率、运行时正确性和边界处理能力,是目前少数采用真实代码执行验证的独立评测。本专题追踪各模型的代码能力排名、编程工具动态和 AI 辅助编程的行业实践。
深度指南
Qwen 3.8 27B 全解:谁做的、开源吗、基准争议与独立评测数据
Warp 软件工厂(Factories)全解:AI 开发的"开箱即用"能走多远
Cognition AI 全解:Devin、4.92 亿 ARR、400 亿估值与 SpaceX 传闻
横评
豆包 Pro 代码执行暴跌26.2分 主榜却仅涨0.03分
今日Smoke评测中,豆包 Pro代码执行从75.00分跌至48.80分,材料约束从67.90分升至100.00分,主榜仅从71.81分微升至71.84分。单日10题抽签导致的波动仍是主因,需持续观察。
2026-11-19
横评
GPT-5.5代码执行暴跌24.8分 主榜仅降2.8分
GPT-5.5今日Smoke评测代码执行从99.80跌至75.00,材料约束从59.30升至83.30,主榜从81.58降至78.74。工程判断同步跌25分。单日10题抽样下,此类波动需区分题目随机性与真实能力退化。
2026-11-18
横评
GPT-6 Luna代码执行暴跌24.1分 材料约束反升32分
GPT-6 Luna今日Smoke评测代码执行从99.10分跌至75.00分,材料约束从62.80分升至94.80分,主榜从82.77分微升至83.91分,诚信评级维持pass。
2026-11-18
横评
GPT-6.1 Sol代码执行暴跌27.3分 主榜降至78.69
GPT-6.1 Sol今日代码执行从97.30跌至70.00,材料约束升至89.30,主榜从84.70降至78.69。单日10题测试下,代码执行大幅波动值得持续观察是否为抽签因素。
2026-11-16
横评
GPT-6 Astra代码执行暴跌27.3分 主榜从84.70降至78.69
GPT-6 Astra今日Smoke评测代码执行从97.30跌至70.00,材料约束从69.30升至89.30,主榜从84.70降至78.69。单日10题抽签波动与模型真实退化需区分,诚信评级维持pass。
2026-11-16
横评
豆包 Pro 主榜暴跌8分:代码执行94.5→45.8,材料约束47.6→89.3
豆包 Pro 今日 Smoke 评测主榜从73.40降至65.38分,代码执行从94.50暴跌至45.80分,材料约束从47.60升至89.30分,工程判断升至95.50分。单日10题抽样导致极端波动,需持续观察。
2026-11-15
横评
Claude Opus 4.7代码执行暴跌19.5分 材料约束反升19.3分
今日Smoke评测中,Claude Opus 4.7代码执行从94.50分跌至75.00分(-19.5),材料约束从70.00分升至89.30分(+19.3),主榜仅降2分至81.44。工程判断与任务表达同步上升,诚信评级维持pass。
2026-11-15
谷歌Gemini 4 Hydrogen发布:比Argon定价更低却评分更高,执行层战略全面落地
谷歌DeepMind于2026年11月12日发布Gemini 4 Hydrogen,定价$1.50/$7.50(百万token),在Artificial Analysis智能指数上以51分(默认高档)和54分(最高档)超越同系Argon的50分,同时面向所有用户免费开放。模型主打代码执行与agent
2026-11-14
横评
Claude Sonnet 4.6 Smoke评测主榜暴跌11.7分 材料约束单日腰斩19.9
Claude Sonnet 4.6今日Smoke评测主榜从82.31分跌至70.61分,材料约束从61.30分暴跌至41.40分,降幅19.9分。代码执行小降5分,工程判断反升14.2分。单日10题快测下,材料约束异常下滑值得追踪。
2026-11-14
横评
Claude Opus 4.7 主榜暴跌11.4分,材料约束单日跌19.3
Claude Opus 4.7今日Smoke评测主榜从94.91分跌至83.48分,降幅11.4分。其中材料约束从89.30分跌至70.00分,单日下降19.3分,代码执行下降5分。文章分析本次波动成因并给出选型判断。
2026-11-14
横评
豆包 Pro 主榜暴跌10.6分 工程判断从100分跌至63.6
豆包 Pro 今日 Smoke 评测主榜从79.18分跌至68.54分,下降10.6分。代码执行降10.1分至68.40,材料约束降11.3分至68.70,工程判断从100分跌至63.60。诚信评级维持pass,任务表达仅降1.2分。
2026-11-12
横评
Claude Opus 4.7材料约束跌16.9分 主榜却升4.6分 代码执行救场
Claude Opus 4.7今日Smoke评测中材料约束从88.30分跌至71.40分,主榜却从79.56分升至84.11分,主要因代码执行从72.40分升至94.50分。任务表达侧榜跌30分,需观察是否为单日抽题波动。
2026-11-12
横评
GLM-4.6 诚信评级 fail 探针仅 25 分,主榜 53.40 代码执行 25.00
GLM-4.6 在 2026-11-12 Run#423 赢政指数 Smoke 快测中,主榜 53.40 分、代码执行 25.00 分、材料约束 88.10 分,诚信评级 fail(探针 25.00)。同日其余 13 个模型全部通过诚信探针,探针得分 80-100 分。该模型代码执行与材料约束形成明
2026-11-12
用AI修了个Bug,独立游戏圈炸了锅
独立游戏《Big Walk》在修复一个bug时使用了AI编程工具,并在独立游戏节(IGF)评审材料中如实披露。这份坦诚却引爆了社区长期压抑的争论:对许多评委而言,任何程度的AI编码都不可接受。当AI工具已渗透日常开发,独立游戏界的AI红线究竟该划在哪里?本文梳理事件经过、IGF规则现状与行业分歧。
2026-11-12
Anthropic发布Fable 5.2与Mythos 5.2:速度提升30%、降价20%,IPO前夕的技术押注
Anthropic于2026年11月9日正式发布Claude Fable 5.2与Mythos 5.2,输出速度较上代最高提升30%,API定价降低20%至每百万输入Token 8美元。FrontierCode 2.0编程测试中Fable 5.2以49.1%超越Opus 5.5的45.5%。这次发布
2026-11-10
Automattic推Spacefast,抢滩氛围编程
Automattic推出Spacefast平台,帮助用户部署“氛围编程”应用,直接对标Lovable等AI编程新贵。这标志着AI编程竞争从代码生成延伸至托管、部署与运维全链路,也意味着传统建站巨头正试图在AI原生应用时代守住入口。
2026-11-09
横评
GLM-4.6 Smoke测试代码执行25分 主榜36.25因API故障缺通信维度
GLM-4.6今日Smoke评测因API故障/超时导致communication维度缺失,代码执行25.00分、材料约束50.00分、工程判断25.00分,主榜36.25分未参与排名。单日10题快测波动正常,但本次数据不完整需关注是否为模型真实退化或临时故障。
2026-11-09
Meta再出手:收购AI编程公司Conductor
Meta宣布收购AI编程初创公司Conductor,后者主打让软件工程师部署多支AI智能体团队、并行推进项目不同模块开发的模式,交易金额尚未披露。此举被视为Meta加码AI开发者工具、布局“智能体编排”新赛道的重要一步,也折射出AI编程工具正从单点代码补全走向多智能体协同的行业趋势。
2026-11-05
横评
Claude Sonnet 4.6 主榜暴跌11.1分,代码执行与材料约束双双失守
Claude Sonnet 4.6今日Smoke评测主榜从84.90分跌至73.76分,下降11.1分。代码执行降10.1分至78.80,材料约束降12.4分至67.60,工程判断与任务表达上升,诚信评级从pass转为warn。单日10题抽签波动正常,但核心维度同步下跌且诚信信号变化值得关注。
2026-11-04
横评
GPT-6 Luna主榜暴跌11.5分,代码执行从100跌至74.3
GPT-6 Luna今日Smoke评测主榜从87.27分跌至75.79分,代码执行维度从100.00分暴跌至74.30分,材料约束升至77.60分,诚信评级从pass变为warn。单日10题抽签波动或模型一致性问题需重点验证。
2026-11-04
1
2
3
4
»
相关专题
AI 评测基准对比
指令遵从与守约测试
OpenAI 专题
Anthropic 专题
AI 安全专题