AI 代码能力评测

202 篇文章 · 第 1/11 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 Claude Sonnet 4.6代码执行暴跌27.4分，材料约束却暴涨37.7分

Claude Sonnet 4.6今日Smoke评测中代码执行从71.90分跌至44.50分，材料约束从50.60分升至88.30分，主榜仅微升1.9分至64.21分。工程判断升至100分，任务表达跌至45分。单日10题抽样下，维度剧烈波动是否反映真实能力退化值得追踪。

横评 Grok 4代码执行暴跌31.3分材料约束反升34.7分

Grok 4今日Smoke评测代码执行从95.30分跌至64.00分，降31.3分；材料约束从48.40分升至83.10分，涨34.7分。主榜仅降1.6分至72.60分。单日10题抽签导致的波动是主因，需持续观察。

横评 GPT-6.1 Sol主榜暴跌9.2分代码执行单日降16.7分

GPT-6.1 Sol今日Smoke评测主榜从86.25分跌至77.07分，代码执行从75.00分降至58.30分，材料约束维持100.00分，工程判断维持100.00分，任务表达升至87.50分。单日10题测试下，代码执行维度波动最大。

横评 Gemini 2.5 Pro 材料约束暴跌28分代码执行却升至100分

Gemini 2.5 Pro今日Smoke评测中材料约束从100.00分跌至72.00分，代码执行从71.90分升至100.00分，主榜微升至87.40分。单日10题抽样导致的波动与真实能力退化需区分判断。

横评 GLM-4.6 材料约束 100 分代码执行 41.70 分诚信探针仅 15 分

GLM-4.6 在 2026-10-02 Smoke 快测中材料约束达到 100.00 分，代码执行仅 41.70 分，主榜 67.94 分，诚信评级 fail（探针 15.00）。当日 14 个模型中仅 GLM-4.6 触发诚信探针，其余模型探针得分均在 55 分以上。

谷歌发布Gemini 4 Argon，号称史上最强模型

谷歌正式发布新一代大模型Gemini 4 Argon，官方称其为迄今最强模型，定位为编程与网络安全领域的“主力干将”。此举被视为谷歌在AI军备竞赛中回应OpenAI、Anthropic等对手的关键一步，也预示着大模型竞争正从通用能力比拼，转向垂直专业场景的深耕。

横评 GPT-5.5代码执行暴跌22分材料约束却飙升25.9分

GPT-5.5今日Smoke评测中代码执行从72.00降至50.00，材料约束从69.10升至95.00，主榜仅微降0.5分至70.25。工程判断维持100.00，任务表达降8.3分，诚信评级保持pass。单日维度剧烈波动但整体排名影响极小。

横评 Qwen3 Max代码执行暴跌24分主榜下滑7.4分

今日Smoke评测中Qwen3 Max代码执行从94.00分跌至70.00分，主榜从84.51分降至77.16分，材料约束则从72.90分升至85.90分。工程判断与任务表达两项侧榜得分上升，诚信评级维持pass。

横评 GPT-o3代码执行暴跌21.8分材料约束反升33.5分主榜微涨

今日Smoke评测中，GPT-o3代码执行从93.80分跌至72.00分（-21.8），材料约束从49.30分升至82.80分（+33.5），主榜从73.78分升至76.86分，诚信评级由warn转为pass。单日10题抽签导致的波动是主因。

横评 Claude Opus 4.7代码执行72分材料约束85分 Smoke评测主榜微降2.4分

Claude Opus 4.7今日Smoke评测代码执行从100.00降至72.00，材料约束从56.00升至85.00，主榜从80.20降至77.85。单日10题测试下，代码执行-28分与材料约束+29分形成鲜明对比，需区分题目抽签波动与真实能力变化。

横评 GPT-o3代码执行暴跌24.5分主榜掉15.2，抽签还是真实退化

GPT-o3今日Smoke评测主榜从96.01跌至80.78分，代码执行单项暴跌24.5分至72.50，材料约束微降3.9分。工程判断保持100分，任务表达反升15分。分析显示此次大跌最可能源于2题抽签波动，而非模型整体退化。

横评 Claude Opus 4.7 Smoke评测主榜跌13.9分代码执行单日暴跌22分

Claude Opus 4.7今日Smoke评测主榜从96.01分跌至82.16分，代码执行从97.00分跌至75.00分，降幅22分；材料约束小降3.9分，任务表达从50.00分升至80.00分，工程判断维持100.00分。

横评 GPT-5.5 Smoke评测主榜暴跌12.5分代码执行单日跌28分

GPT-5.5今日Smoke评测主榜从91.32分跌至78.80分，代码执行从100.00暴跌至72.00，材料约束反升至87.10。单日10题抽签下，代码执行维度2题表现显著下滑，其他维度持平或上升，需区分题目波动与真实能力变化。

Supabase用户数据暴露警钟

TechCrunch报道称，部分Supabase客户因配置不当，将大量用户数据公开暴露在互联网上。事件并非平台整体被攻破，而是凸显AI生成应用、低代码和“氛围编程”在快速上线时容易忽视权限、数据库规则与安全审计，进而让个人信息面临泄露风险。

Lovable年化收入破6亿美元，氛围编程席卷全球

瑞典AI编程平台Lovable年化收入突破6亿美元，联合创始人Fabian Hedin透露平台上创建的应用每月获得近10亿次浏览。随着"氛围编程"概念走红，非技术人员也能通过自然语言构建应用，Lovable正成为这一趋势的领跑者。

Grok 4.7发布：DeepSWE基准71%、按量计费比半悖论背后的真实成本

xAI于2026年9月21日发布Grok 4.7，DeepSWE v1.1基准以高强度设置达到71.0%，CursorBench 4.0提升至46.3%，每百万token定价维持$2/$6不变。但据Artificial Analysis测算，该模型完成单任务的token消耗较Grok 4.6增加12

横评 GPT-o3代码执行暴跌32.5分主榜从96.01跌至80.48

GPT-o3今日Smoke评测主榜从96.01分跌至80.48分，代码执行维度从97.00暴跌至64.50，材料约束反升至100.00。单日10题小样本测试下，执行能力出现显著波动，侧榜工程判断下降11.6分，任务表达上升25分，诚信评级维持pass。

横评 Grok 4 代码执行从96.30分跌至69.50分，主榜单日下滑10分

Grok 4今日Smoke评测主榜从90.86分降至80.89分，代码执行维度暴跌26.8分至69.50分，材料约束反升10.6分至94.80分。工程判断侧榜跌25分，任务表达侧榜升20分。单日10题抽签导致的波动与模型真实能力变化需区分判断。

横评 Grok 4材料约束暴跌15.8分主榜从95.44滑至90.86

Grok 4今日Smoke评测材料约束从100.00跌至84.20，主榜下滑4.6分至90.86，代码执行反升至96.30。工程判断（侧榜）同步跌18.8分，诚信评级转为pass。单日10题抽签波动是否掩盖真实退化，值得持续追踪。

横评 Claude Sonnet 4.6材料约束暴跌15.8分代码执行反升47分

Claude Sonnet 4.6今日Smoke评测主榜升至91.24分，但材料约束从100.00分跌至84.20分，降15.8分，代码执行则从50.00分跃升至97.00分。单日两题抽样导致的波动仍是主因，需持续观察 grounding 维度是否出现系统性退化。