AI 代码能力评测

154 篇文章 · 第 1/8 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

横评 Gemini 2.5 Pro 诚信评级 fail 探针 25 分，主榜 18.37 分代码执行仅 23.50

Gemini 2.5 Pro 在 2026-08-21 Run#288 的 Smoke 快测中诚信评级 fail，探针得分 25.00，主榜 18.37 分，代码执行 23.50 分，材料约束 12.10 分。同日其余模型诚信均为 pass 或 warn，探针得分 40-90 分不等。

横评 GPT-5.5 Smoke评测主榜暴跌10.1分材料约束单日掉16.3

GPT-5.5今日Smoke评测主榜从98.35分跌至88.27分，降幅10.1分。其中材料约束从100.00分跌至83.70分，代码执行从97.00分跌至92.00分。工程判断保持75.00分不变，任务表达下降10分，诚信评级维持pass。

横评 Claude Opus 4.7主榜暴跌8.2分，材料约束单日掉12.1

Claude Opus 4.7今日Smoke评测主榜从98.35分跌至90.16分，材料约束从100.00暴跌至87.90，代码执行降5分。单日10题测试下，材料约束维度成为最大拖累。

Cursor推代码托管平台，正面挑战GitHub

AI代码编辑器开发商Cursor宣布推出全新的代码托管平台，意图挑战开发者长期依赖的GitHub。该公司抓住部分开发者对GitHub的不满情绪，将AI能力融入代码托管流程，提供更智能的协作体验。此举有望重塑代码托管市场格局。

横评豆包 Pro 材料约束单日跌40.9分代码执行升25分主榜下滑4.7

豆包 Pro 今日 Smoke 评测中材料约束从90.90分跌至50.00分，代码执行从75.00分升至100.00分，主榜从82.16分降至77.50分。单日10题测试下，材料约束暴跌40.9分成为主因，需区分题目抽签波动与真实能力退化。

横评豆包 Pro 主榜暴跌12.6分代码执行单日跌25分

豆包 Pro 今日 Smoke 评测主榜从94.74分跌至82.16分，代码执行从100.00分降至75.00分，材料约束微升至90.90分。单日10题抽样导致的波动是主因，工程判断与任务表达保持稳定，诚信评级仍为pass。

横评 DeepSeek V4 Pro代码执行暴跌41.7分主榜单日跌19.2

DeepSeek V4 Pro今日Smoke评测主榜从70.44分跌至51.24分，代码执行从66.70分直接跌至25.00分，材料约束反而升至83.30分。单日41.7分降幅远超正常抽签波动范围，需持续观察。

横评 Claude Sonnet 4.6代码执行从100分跌至75分主榜下滑5.5分

今日Smoke评测中，Claude Sonnet 4.6代码执行从100.00分降至75.00分，材料约束从56.70分升至75.00分，主榜从80.52分跌至75.00分。工程判断（侧榜，AI辅助评估）从100.00分降至60.50分。单日10题测试下，此类波动需结合多日数据判断是否为抽签影响。

横评 Claude Opus 4.7代码执行75.00分材料约束100.00分主榜反升3.7

Claude Opus 4.7今日Smoke评测代码执行从99.60分跌至75.00分，材料约束从61.70分升至100.00分，主榜从82.55分升至86.25分。工程判断降11.1分，任务表达持平。单日10题抽样波动或为主要原因，需持续观察一致性。

SpaceX正式完成对AI编程工具Cursor的收购

SpaceX官方宣布已完成对AI编程初创公司Cursor的收购，这意味着备受欢迎的AI代码编辑器正式纳入这家航天巨头麾下。这笔交易虽未披露具体条款，但反映出SpaceX对软件研发效率的重视，也凸显了AI编程工具在严肃工业场景中的巨大潜力。有分析认为，Cursor的加入将帮助SpaceX的工程师更快地

AI编程新贵Cognition再融资，估值飙至400亿美元

据TechCrunch报道，AI编程初创公司Cognition在完成10亿美元融资、估值达260亿美元仅数月后，又被曝出正洽谈新一轮巨额融资，估值可能高达400亿美元。这家凭借AI编程工具Devin声名鹊起的公司，正以惊人速度刷新行业纪录，也折射出AI编程赛道的持续火爆。

横评 Gemini 2.5 Pro 主榜暴跌9.1分，代码执行单日狂降29.6

Gemini 2.5 Pro今日Smoke评测主榜79.41分，较昨日下降9.1分。其中代码执行从99.60暴跌至70.00，材料约束则升至90.90。单日10题抽样导致的波动值得持续观察。

Lovable确认133亿美元新估值，再融4亿美元

AI应用构建平台Lovable确认完成新一轮4亿美元融资，估值达到133亿美元，较上一轮大幅提升。公司透露，其年化经常性收入在6月已突破5亿美元，本轮融资进一步验证了生成式AI编程赛道的商业潜力。

横评 GLM-4.6代码执行跌12.5分材料约束满分推主榜升5.4

GLM-4.6今日Smoke评测主榜79.38分，代码执行从75.00降至62.50，材料约束升至100.00，诚信评级从fail转为pass。单日10题抽签导致的波动最可能解释此变化，暂无模型真实退化信号。

Anthropic默认开启Claude Code自动模式，AI编程再少人工干预

Anthropic宣布将Claude Code的自动模式设为默认选项，这意味着开发者无需频繁确认即可让AI自主完成多步骤编程任务。此举旨在提升编码效率，但也引发关于代码质量与安全风险的讨论。本文详解Claude Code自动模式的变化、行业影响及潜在挑战，并编译自TechCrunch报道。

横评 Claude Sonnet 4.6代码执行暴跌19.5分主榜却逆势上涨13.8分

今日Smoke评测中，Claude Sonnet 4.6代码执行从94.50分跌至75.00分，材料约束从43.30分升至97.80分，主榜从71.46分升至85.26分。仅2题抽样导致的波动是主因，整体能力未见系统性退化。

横评 Claude Opus 4.7代码执行暴跌30.5分主榜仅降6.4分

Claude Opus 4.7在今日Smoke评测中代码执行从100.00分跌至69.50分，材料约束从71.90分升至95.00分，主榜从87.36分降至80.98分。工程判断升25分，任务表达升5分。诚信评级维持pass。

横评 Grok 4 材料约束暴跌17.6分主榜仅降1.8分

今日Smoke评测中Grok 4材料约束从82.60分跌至65.00分，降幅17.6分，主榜从82.99分微降至81.23分。代码执行反升11.2分至94.50分，工程判断升至100分，诚信评级从pass转为warn。单日10题快测下，这一材料约束异常值得重点追踪。

Cloudflare开源‘氛围编程’平台，为非程序员打造

Cloudflare近日宣布，将内部使用的AI代理工作区全面开源。该平台专为‘氛围编程’（vibe-coding）设计，允许用户以自然语言与AI代理交互，自动完成代码编写、调试和部署等任务。这一举措不仅能让非程序员轻松构建应用，也可能重塑软件开发流程。本文梳理了平台的核心功能、Cloudflare开

横评 GLM-4.6 Smoke评测主榜74分代码执行82.3材料约束95 API故障缺维度

GLM-4.6今日Smoke评测因API故障/超时导致integrity与communication维度缺失，主榜得分74.00，代码执行82.30，材料约束95.00，工程判断70.80，任务表达无数据，已进入自动补跑且不参与本期排名。