最佳编码 LLM 排名

「最强编码模型」和「最适合你的编码模型」之间的距离,比以往任何时候都大。2026 年 10 月,闭源前沿已经分成两档:留给最难任务的 $10/$50,以及负责其余大部分工作的 $2/$10;与此同时,来自中国的 MIT 许可模型自报的 DeepSWE 分数,已经与闭源头部处在同一区间。该用哪个,几乎完全取决于你的编码工作长什么样。

这份榜单覆盖我们真正会推荐的 6 个模型、推荐理由,以及同样重要的——每一个的坑。

我们怎么选

三条规则,与本站所有内容一致:

1. 有出处的基准。 我们更看重最难的智能体基准(Terminal-Bench 4.0、DeepSWE v1.1、CursorBench 4.0),弱化已饱和的基准。下面几乎所有分数都是厂商自报,而且不同厂商用的测试框架不同,所以我们标注来源,并把跨厂商几分的差距视为噪声。
2. 真实价格,尽量按任务算。 每 token 的标价会误导——模型在同一任务上花的 token 可以差好几倍,而缓存读取如今主导了智能体账单。有单任务成本数据时,以它覆盖价目表。
3. 只收公开可用的。 Gemini 4 Argon(目前仅限受信任的防御者)与 Claude Mythos 5.1(受信任访问计划)不入榜,Mistral Large 4 仍是预览版,权重要到 10 月底。它们开放时榜单会重排。

快速结论

六个模型,并排看

榜单上多数模型共有的一个基准是 Terminal-Bench 4.0——数小时级的终端工作套件。所有公布过分数的入选模型,外加两个参照:

完整决策矩阵——价格与上下文取自各模型页,基准取自厂商公布结果:

*由厂商自报,或来自竞品表格,测试框架不同。Opus 5.5 为 xhigh effort 下的数字;跨列对比看方向,别抠小数点。

逐个说理由

1. Claude Opus 5.5 — 默认选择

Opus 5.5 于 9 月 22 日发布,价格 $4/$20——标价比 Opus 5 低 20%,加上每个任务用的 token 更少,典型工作负载实际约便宜 40%。在 Anthropic 自家表格里,它每一行都领先 Fable 5.1:Terminal-Bench 4.0 66.4% 对 55.8%,CursorBench 4.0 57.8% 对 51.8%,OSWorld 2.1 81.8%。Anthropic 自己也说大多数工作负载从这里起步,与 Fable 的价差让这条建议很容易接受。

两个细节要提前规划:思考不能再关掉;安全机制可能把网络安全与生物相关请求转给旧模型,所以安全相关的智能体行为会与标题数字不同。

强项:$4/$20 的前沿成绩;1M 上下文与 128K 输出;最高 2.5 倍速的快速模式($8/$40);提示注入抵抗力强。 **注意:**在智能体科学与 AutomationBench 上落后于 GPT-6 Astra;安全回落;思考常开;Anthropic 提醒在这个水平上基准差距的参考价值在下降。

2. Claude Sonnet 5.5 — 性价比之选

Sonnet 5.5(9 月 28 日)保持 Sonnet 5 的 $2/$10,其余几乎全变了。Terminal-Bench 4.0 从 10.3% 跃升到 70.6%,在 Anthropic 的表格里高于 Opus 5.5 的 66.4%;CursorBench 4.0 为 55.5%,Opus 为 57.8%;输出快 30% 以上,Anthropic 估计每任务成本最多降 30%。10 月 7 日缓存读取减半到 $0.10,长链智能体循环又便宜了约 20%。

Anthropic 对它的边界很坦率:在需要持续判断的复杂开放式工作上,Opus 5.5 仍明显更强。Sonnet 适合范围明确的任务,以及 Opus 编排者之下的子智能体。

**强项:**榜单上最高的 Terminal-Bench 4.0 分数,价格 $2/$10;比 Sonnet 5 更快更省;缓存读取 $0.10。 **注意:**在模糊、庞杂的任务上较弱;高风险网络安全工作回落到 Sonnet 5;Anthropic 后来修订了部分数字,其不同页面的小数位不一致。

3. GPT-6.1 Sol — Codex 之选

GPT-6.1 Sol(9 月 29 日)是 OpenAI 对同一个 $2/$10 档位的回答。OpenAI 称它在 DeepSWE v1.1 上追平 $10/$50 的 GPT-6 Astra,成本约为五分之一;在较低 effort 下比 GPT-6 Sol 的最好成绩高 6.4 分;在 AutomationBench 上比 Opus 5.5 高 2.2 分,成本约为三分之一。它有 1.05M 上下文,缓存输入 $0.10,并宣布随后会有面向 Codex 的更快 Ultrafast 版本。

短板是证据:OpenAI 没有公布它的 Terminal-Bench 4.0 分数,几乎所有数字都是厂商自己的。如果你的团队活在 Codex 或 OpenAI API 里,请在自己的仓库上与 Sonnet 5.5 对比。

强项:$2/$10 加 1.05M 上下文;近 Astra 的结果只要五分之一价格(OpenAI 自报);从 Luna($0.10/$0.50)到 Astra($10/$50)的完整价格阶梯。 **注意:**阶梯混乱(GPT-6 Sol 与 GPT-6.1 Sol 并存,新项目应选 6.1);没有 Terminal-Bench 4.0 分数;只支持文本与图像输入。

4. Claude Fable 5.1 — 长程任务专家

Fable 5.1(9 月 1 日)是 Anthropic Mythos 级模型面向公众的版本。缓存读取降 75% 到 $0.25,Anthropic 估计典型账单降约 25%、高度智能体化的工作最多降 45%;网络安全误拦截减少 60%;客户描述了异常长且可靠的运行——Ramp 的 38 小时无人值守 ML 任务,Millennium 找到了困扰四五年的崩溃原因。

诚实的说法是 Anthropic 自己的:先用 Opus 5.5,只有在 Opus 拉高 effort 的评测仍不够时才转向 Fable。$10/$50 是 Opus 标价的 2.5 倍,Fable 必须在最难的工作上证明自己。

**强项:**数天级自主任务的能力天花板;Terminal-Bench-Science 0.1 52.6%;缓存比 Fable 5 便宜。 注意:$10/$50;分类器可能改道或让安全任务得零分;在 Anthropic 自家表格里落后于 Opus 5.5;限制更少的同源模型 Mythos 5.1 只对受信任访问开放。

5. GLM-5.3 — 开源旗舰

GLM-5.3(8 月 14 日)沿用 与 GLM-5.2 相同的 753B 基座,只改了后训练——DeepSWE v1.1 从 46.2 升到 66.9,Terminal-Bench 3.0 从 4.6 升到 28.3。它保留 1M 上下文,权重在 Hugging Face 以宽松的类 MIT 许可发布,API 约 $1.40/$4.40。拥有成本是字面意义上的:753B MoE 自托管需要多卡节点。

它在最难的行上仍落后于闭源前沿——在 Z.ai 自家表格里,Terminal-Bench 3.0 为 28.3 对 GPT-5.6 Sol 的 34.6——而且只有文本输入,截图改码类工作流需要另一个模型。

**强项:**旗舰规模的开放权重编码模型,权重可审计;类 MIT 许可;1M 上下文;价格只是前沿的零头。 **注意:**自托管 753B MoE 是一项运维工程;仅文本输入;思考为强制;分数为厂商自报。

6. DeepSeek V4.1-Flash — 预算智能体

DeepSeek V4.1-Flash(9 月 10 日)是 552B MoE,输入只激活 8B、输出激活 16B,1M 上下文,MIT 许可,KV 缓存只有上一代的四分之一。DeepSeek 自报 DeepSWE v1.1 74.2 与 Terminal-Bench 2.1 90.6%,价格低谷 $0.15/$0.60、高峰 $0.30/$1.20,缓存命中 $0.006——榜单上单位编码能力价格最低。

注意测试框架。DeepSeek 的 74.2 是 mini-SWE-agent 下的成绩,它自家框架是 72.6,Claude Code 下是 69.8。在 Z.ai 用更难的 Terminal-Bench 4.0 的表格里它得 31.2。把它当作高并发智能体流量下优秀而便宜的默认选择——但押上整个集群之前,先在自己的任务上测。

**强项:**榜单价格最低;MIT 许可;1M 上下文加小体积 KV 缓存;支持图像输入。 **注意:**头条数字是厂商自报,且只在一个框架下;Terminal-Bench 4.0 上与 Claude 差距很大;高峰时段价格翻倍。

落选但值得一提

• Grok 4.7 — $2/$6、500K 上下文、Terminal-Bench 4.0 37.6%。相比 Grok 4.6 是大幅提升,但在同样 $2 输入价下远落后于 Sonnet 5.5 的 70.6%(框架不同),且上下文只有如今标配 1M 的一半。
• MiMo-V2.6-Pro — MIT 许可的 1.02T 开放权重 MoE,DeepSWE v1.1 71.9,支持音频与视频输入,价格 $0.435/$0.87。强力开源备选;同样适用厂商自报的提醒。
• Mistral Large 4 — 1.05T 开放权重预览,网络安全与法律结果亮眼,但编码分数落后于中国的头部选手(DeepSWE v1.1 61.7%)。权重 10 月底发布。
• Gemini 4 Argon — DeepSWE v1.1 77.9%,$2/$10 首发价,但只对受信任的防御者开放。正式开放后再看。
• Sakana Fugu — 跨模型池路由的编排系统,不是单一模型;接受这种架构的话值得一看。
• Kimi K3、Qwen3.8-Max — 2.8T 与 2.4T 的开放权重巨型模型;实际采用受硬件与许可限制。

关于时效的说明:本榜单反映截至 2026 年 10 月 12 日的基准与价格。

更新记录

• 2026-10-12 — 10 月更新:Opus 5.5 从 Fable 5 手中接过榜首;Sonnet 5.5 与 GPT-6.1 Sol 分别替换 Sonnet 5 与 GPT-5.6;Fable 5.1 移到长程任务位;GLM-5.3 替换 GLM-5.2;DeepSeek V4.1-Flash 替换 Kimi K2.7 Code 成为预算之选。
• 2026-07-29 — 7 月更新:Opus 5 替换 Opus 4.8;GPT-5.6 GA 替换 GPT-5.5;新增 Kimi K3 与 Inkling 到落选提及。
• 2026-07-02 — 首次发布:Fable 5 · Opus 4.8 · Sonnet 5 · GPT-5.5 · GLM-5.2 · Kimi K2.7 Code。

常见问题

来源

• Anthropic — Introducing Claude Opus 5.5
• Anthropic — Introducing Claude Sonnet 5.5
• Anthropic — Claude Fable 5.1 and Claude Mythos 5.1
• OpenAI — Introducing GPT-6.1 Sol
• Z.ai — GLM-5.3: Frontier Coding with Emergent Cyber Capabilities
• DeepSeek API Docs — DeepSeek-V4.1-Flash