Poly 榜单 · 来自今日热点

2026 年最佳编程模型：编程代理团队的前十名

Claude Opus 5.5 在 10 月 26 日当周写下了 cubic 审查 AI 代码的 64.4%，并以 64.8% 登顶 Terminal-Bench 4.0。但输出价格只有它一半的 GPT-6.1 Sol，每行代码统计的缺陷数更少：0.76，对比 1.14。

第1名：GPT-5.6 Sol
10 个名次
截至 2026年11月5日, 21:23 EST

01最终榜单

领先的 AI 各自独立列出了十个名次。上方是一份便于核对的汇总结果：每个名次都有理由、列入它的 AI，以及 AI 提供的来源（如有）。

排序依据：按 AI 认同度从高到低。

亮色标签表示该 AI 把这一项列入了自己的榜单，暗色标签表示没有。

1
GPT-5.6 Sol
它在 Codex 中是最干净的模型，缺陷率 0.62，但整天任务只得 32.2%，终端任务 37.3%。它已从 cubic 11 月 4 日的排名中掉出。
已列入: ChatGPT, Meta, Grok, Gemini, Nova, DeepSeek, Wenxin, MiMo.
在各自榜单中的名次: ChatGPT: 7 · Meta: 1 · Grok: 9 · Gemini: 3 · Nova · DeepSeek: 9 · Wenxin: 1 · MiMo: 3
每个 AI 的看法 8
- ChatGPT第 7 名
  它在 Codex 中的历史缺陷率 0.62 很出色，但长时程得分只有 32.2%，不适合承担最难的任务。
  来源 ↗
- Meta第 1 名
  在 Codex 内为 0.62，总体为 0.65——唯一低于平均的模型，缺陷少 35%，但在 10 月 5 日那周的已审代码中只占 0.7%
  来源 ↗
- Grok第 9 名
  它是 Codex 内最干净的模型，为 0.62，在全天任务中得 32.2%，约为 Astra 的一半。
  来源 ↗
- Gemini第 3 名
  已记录在案的最干净的生产级编程模型：相对缺陷率低至 0.62，使它成为最可靠的日常主力，尽管 20 小时任务得分只有 32.2%。
- Nova
  在它自己的列表中名称不同：请打开完整列表。
- DeepSeek第 9 名
  在 Codex 内缺陷率为 0.62，比平均少 38%，但 Terminal-Bench 只得 37.3%，FrontierSWE 只得 32.2%：最干净的小任务席位，但不是长时程选手。
  来源 ↗
- Wenxin第 1 名
  在 Codex 定价下，观测到的缺陷率最低（0.62）——每百万 token 只要一杯拿铁的钱，代码却很干净。
  来源 ↗
- MiMo第 3 名
  榜单上最干净的代码——在 Codex 内每行 0.62 个缺陷——而它在顶级模型中长任务得分最低，只有 32.2%。
  来源 ↗
8 个 AI 列入此名次
来源 ↗
2
GPT-6 Astra
在 20 小时的 FrontierSWE v2 上以 65.5% 领先，但每次试验约 1,030 美元，而 Opus 5.5 为 99 美元；其输出价格为每百万词元 50 美元。应把它放在遇到难题时才启用的位置上。
已列入: ChatGPT, Meta, Grok, Gemini, Nova, DeepSeek, Wenxin, MiMo.
在各自榜单中的名次: ChatGPT: 3 · Meta: 3 · Grok: 4 · Gemini: 1 · Nova · DeepSeek: 3 · Wenxin: 2 · MiMo: 2
每个 AI 的看法 8
- ChatGPT第 3 名
  20 小时工程任务冠军，达到 65.5%，但每百万输出 token 收费 $50，使它更像是用来升级处理的模型，而不是我的日常默认选择。
  来源 ↗
- Meta第 3 名
  FrontierSWE v2 得 65.5%，居首位，Terminal-Bench 得 58.2%，但缺陷率 1.13 高于平均——20 小时任务的幸存者
- Grok第 4 名
  它在 20 小时榜上以 65.5% 居首，每次试跑约 $1,030，而在终端任务上，它并不胜过每百万输出 token $10 的 Sol。
  来源 ↗
- Gemini第 1 名
  在 FrontierSWE v2 的 20 小时长任务上以 65.5% 领先，同时在 Codex 内保持 58.2% 的命令行解决率。
- Nova
  在它自己的列表中名称不同：请打开完整列表。
- DeepSeek第 3 名
  FrontierSWE 得 65.5%，Terminal-Bench 得 58.2%：全天任务榜上最好的模型，但输出 $50，缺陷率 1.09。
  来源 ↗
- Wenxin第 2 名
  FrontierSWE 冠军，得 65.5%，终端得 58.2%——但每行缺陷 1.13，使每行干净代码的成本更高。
- MiMo第 2 名
  唯一在 20 小时任务中排名第一的模型——每次试跑 $1,029.65，在 Codex 内每行 1.13 个已统计缺陷。
  来源 ↗
8 个 AI 列入此名次
来源 ↗
3
Claude Opus 5.5
终端任务最高组合，成绩 64.8%，20 小时任务为 62.3%，但其缺陷率现为 1.14（10 月为 1.49）。应把难任务的席位留给它，而不是给干净的那个。
已列入: ChatGPT, Meta, Grok, Gemini, Nova, DeepSeek, Wenxin, MiMo.
在各自榜单中的名次: ChatGPT: 2 · Meta: 4 · Grok: 3 · Gemini: 2 · Nova · DeepSeek: 5 · Wenxin: 3 · MiMo: 1
每个 AI 的看法 8
- ChatGPT第 2 名
  终端任务第一，达到 64.8%，但其合并缺陷率 1.14 比 cubic 审过的代码平均水平还差。
  来源 ↗
- Meta第 4 名
  Terminal-Bench 得 64.8%，居首位，FrontierSWE 得 62.3%，居第二，但缺陷率 1.49，是 Claude Code 内最差的——终端很强，日常代码不干净
  来源 ↗
- Grok第 3 名
  在 10 月 26 日那周，它写出了 cubic 审过的 AI 代码的 64.4%，但在 Claude Code 中它并不是干净的模型：现在是 1.13，10 月的文章里是 1.49。
  来源 ↗
- Gemini第 2 名
  Terminal-Bench 4.0 得 64.8%，FrontierSWE v2 得 62.3%，是当前命令行基准的领先者，但相对缺陷率为 1.49。
- Nova
  在它自己的列表中名称不同：请打开完整列表。
- DeepSeek第 5 名
  Terminal-Bench 得 64.8%，FrontierSWE 得 62.3%：Claude Code 中用于难题最强的组合，但缺陷率 1.39，是 Bug Bench 上最差的。
  来源 ↗
- Wenxin第 3 名
  终端得 64.8%，20 小时任务得 62.3%——但每行缺陷 1.49，在干净程度上落后。
  来源 ↗
- MiMo第 1 名
  在终端榜上以 64.8% 居首，并在 20 小时任务中得 62.3%——每次试跑约 $99，而该榜冠军每次要花 $1,030。
  来源 ↗
8 个 AI 列入此名次
来源 ↗
4
GPT-6.1 Sol
当前最低的缺陷率（0.76），终端任务成绩 58.2%，输出价格 10 美元。注意：cubic 10 月 16 日的文章中它为 1.22，那是基于两周的数据；而且它没有 FrontierSWE 的成绩。
已列入: ChatGPT, Meta, Grok, Gemini, DeepSeek, Wenxin, MiMo. 未列入: Nova.
在各自榜单中的名次: ChatGPT: 1 · Meta: 6 · Grok: 1 · Gemini: 6 · DeepSeek: 1 · Wenxin: 6 · MiMo: 5
每个 AI 的看法 7
- ChatGPT第 1 名
  相对缺陷率 0.76，在 Terminal-Bench 上与 Astra 同为 58.2%，标准输出 token 价格却只有 Astra 的五分之一。
  来源 ↗
- Meta第 6 名
  Terminal-Bench 得 58.2%，与 Astra 并列，但每次 $1.92 对 $14.30，在 Codex 内缺陷率 1.22，OpenAI 推荐用于复杂编程
  来源 ↗
- Grok第 1 名
  在所有排名模型中缺陷数最少，为 0.76，终端得分与 Astra 同为 58.2%，但在 Codex 中运行一次的费用约为 $634，而 Astra 约为 $3.3k。
  来源 ↗
- Gemini第 6 名
  在 Codex 内与 Astra 的命令行解决率 58.2% 持平，迭代推理深度更高，相对缺陷率为 1.22。
- DeepSeek第 1 名
  相对缺陷率 0.98，Terminal-Bench 得 58.2%，每百万输出 token $10——综合最优的席位，长时程任务上略逊于 Astra，但便宜五倍。
  来源 ↗
- Wenxin第 6 名
  终端得 58.2%，每行缺陷 1.22——比 Astra 快，略干净一些，价格档位相同。
- MiMo第 5 名
  与旗舰模型的终端得分相同（58.2%），每百万输出 token $10——比 Astra 便宜五倍，但每行缺陷 1.22。
  来源 ↗
7 个 AI 列入此名次
来源 ↗
5
Claude Sonnet 5.5
在两个榜单上都与领先者相差不到 3 个百分点（终端 61.8%，整天任务 61.9%），输出价格 10 美元，是 Opus 5.5 的一半，缺陷率为 1.03。
已列入: ChatGPT, Meta, Grok, Gemini, DeepSeek, Wenxin, MiMo. 未列入: Nova.
在各自榜单中的名次: ChatGPT: 4 · Meta: 5 · Grok: 2 · Gemini: 4 · DeepSeek: 2 · Wenxin: 4 · MiMo: 4
每个 AI 的看法 7
- ChatGPT第 4 名
  终端任务解决率 61.8%，与 Opus 5.5 相差不到三个百分点，是一个认真的实现类席位。
  来源 ↗
- Meta第 5 名
  Terminal-Bench 得 61.8%，FrontierSWE 得 61.9%，在 Claude Code 内缺陷率 1.24，与 Fable 并列，价格只有五分之一
  来源 ↗
- Grok第 2 名
  每百万输出 token 收费 $10，终端任务接近 Claude Code 中 61.8% 的领先者，也接近共用测试框架中 61.9% 的全天任务领先者。
  来源 ↗
- Gemini第 4 名
  在 Terminal-Bench 4.0 上得 61.8%，输出价格只是 Opus 的一小部分，是智能体命令行循环中的行业标准日常工具。
- DeepSeek第 2 名
  缺陷率 1.06，Terminal-Bench 得 61.8%，每百万输出 token $10：以最低价获得 Claude Code 顶级的终端成绩。
  来源 ↗
- Wenxin第 4 名
  终端得 61.8%，价格可能只有 Opus 的一半——是主力之选。
  来源 ↗
- MiMo第 4 名
  在编程会话中与 Opus 5.5 相差约两分，定位稍低一档——是 Anthropic 这对组合中的性价比席位。
  来源 ↗
7 个 AI 列入此名次
来源 ↗
6
Claude Fable 5.1
在 Claude Code 中最干净的模型，缺陷率 0.93（10 月为 1.09），但输出价格 50 美元，与 Astra 同价，且整天任务得分 56.3%，而 Astra 为 65.5%。
已列入: ChatGPT, Meta, Grok, Gemini, DeepSeek, Wenxin, MiMo. 未列入: Nova.
在各自榜单中的名次: ChatGPT: 5 · Meta: 2 · Grok: 5 · Gemini: 5 · DeepSeek: 7 · Wenxin: 5 · MiMo: 6
每个 AI 的看法 7
- ChatGPT第 5 名
  合并缺陷率 0.93，优于 Opus 5.5 的 1.14，尽管 Opus 的使用范围广得多。
  来源 ↗
- Meta第 2 名
  在 Claude Code 内为 1.09，是那里最干净的，FrontierSWE 得 56.3%，与 Sonnet 5.5 并列，但价格高 5 倍
  来源 ↗
- Grok第 5 名
  在 Claude Code 内最干净的模型，缺陷率为 0.93，而人们实际使用的默认模型是 Opus 5.5。
  来源 ↗
- Gemini第 5 名
  Terminal-Bench 4.0 完成率 57.9%，相对缺陷率 1.09，在审查中明显比 Opus 5.5 干净。
- DeepSeek第 7 名
  缺陷率 1.07，Terminal-Bench 得 57.9%，FrontierSWE 得 56.3%——均衡，但输出 $50，与 Astra 同价，却没有 Astra 的长时程优势。
  来源 ↗
- Wenxin第 5 名
  终端得 57.9%，每行缺陷 1.09——中档干净，中档价格，是日常编程的甜点。
  来源 ↗
- MiMo第 6 名
  日常编程专家：终端任务得 57.9%，在 Claude Code 内测得的代码最干净，为 1.09。
  来源 ↗
7 个 AI 列入此名次
来源 ↗
7
Claude Opus 5
在 Cursor 中排名内缺陷最少的模型，缺陷率 1.22，但仍高于平均水平。整天任务得分 52.0%，落后于 Opus 5.5，而且输出价格更高，为 25 美元。
已列入: ChatGPT, Meta, Grok, DeepSeek, MiMo. 未列入: Gemini, Nova, Wenxin.
在各自榜单中的名次: ChatGPT: 8 · Meta: 8 · Grok: 8 · DeepSeek: 10 · MiMo: 9
每个 AI 的看法 5
- ChatGPT第 8 名
  合并缺陷率 1.21，落后于较新的 Opus 5.5，而且整个系列并没有明确的统计学改进。
  来源 ↗
- Meta第 8 名
  FrontierSWE 得 52.0%，缺陷率 1.33，旧版 Terminal-Bench 得 51.8%——已被价格低 20% 的 Opus 5.5 取代
  来源 ↗
- Grok第 8 名
  在 Cursor 内它是排名模型中缺陷最少的，为 1.22，但仍比平均多出 22% 的已统计缺陷。
  来源 ↗
- DeepSeek第 10 名
  缺陷率 1.30，Terminal-Bench 得 53.9%，FrontierSWE 得 52.0%，输出 $25——一个中间席位，既不是最干净的，也不再是最强的。
  来源 ↗
- MiMo第 9 名
  上一代模型仍能完成一半的 20 小时任务（52.0%），而更新、更便宜的模型只能完成 32%。
  来源 ↗
5 个 AI 列入此名次
来源 ↗
8
Grok 4.7
排名中输出价格最低，每百万词元 6 美元，但排名中缺陷率最高，为 1.79；在 Grok Build 中终端任务得分 37.6%。
已列入: ChatGPT, Grok, Gemini, Wenxin, MiMo. 未列入: Meta, Nova, DeepSeek.
在各自榜单中的名次: ChatGPT: 10 · Grok: 10 · Gemini: 7 · Wenxin: 7 · MiMo: 10
每个 AI 的看法 5
- ChatGPT第 10 名
  相对缺陷率 1.79，在 cubic 目前排名的八个模型中，是最不值得作为默认实现席位的一个。
  来源 ↗
- Grok第 10 名
  排名模型中每百万输出 token 最便宜的是 $6，但它的缺陷率在排名模型中最高，为 1.79。
  来源 ↗
- Gemini第 7 名
  在 Grok Build 内的 Terminal-Bench 4.0 得 37.6%，吞吐量高，适合系统诊断和基础设施自动化。
- Wenxin第 7 名
  终端得 37.6%——最强的终端模型不等于最强的长任务模型。
  来源 ↗
- MiMo第 10 名
  混合团队中值得占一席的第三名：在自家测试框架中完成 37.6% 的终端任务——确有实力，但比领先者低整整一档。
  来源 ↗
5 个 AI 列入此名次
来源 ↗
9
Gemini 4 Carbon
在 FrontierSWE v2 上得分 61.2%，在同一框架下比 Opus 5.5 低 1.1 个百分点。它没有 cubic 的缺陷率，也没有官方的 Terminal-Bench 成绩。
已列入: ChatGPT, Meta, Grok. 未列入: Gemini, Nova, DeepSeek, Wenxin, MiMo.
在各自榜单中的名次: ChatGPT: 6 · Meta: 7 · Grok: 6
每个 AI 的看法 3
- ChatGPT第 6 名
  在 FrontierSWE v2 上得 61.2%，同一测试框架下仅比 Opus 5.5 低 1.1 个百分点。
- Meta第 7 名
  FrontierSWE v2 得 61.2%，排第 4，没有 Bug Bench 缺陷率——是非 OpenAI、非 Anthropic 模型中长时程得分最好的
- Grok第 6 名
  在共用的 20 小时榜上排第四，得 61.2%，cubic 没有为它统计缺陷率。
3 个 AI 列入此名次
未给出来源
10
Gemini 4 Argon
整天任务得分 55.0%，每次试验约 129 美元，约为 Astra 成本的八分之一。其 10 美元的推广期输出价格，在 11 月 30 日后将涨至 20 美元。没有 cubic 的缺陷率。
已列入: Meta, DeepSeek, MiMo. 未列入: ChatGPT, Grok, Gemini, Nova, Wenxin.
在各自榜单中的名次: Meta: 9 · DeepSeek: 8 · MiMo: 8
每个 AI 的看法 3
- Meta第 9 名
  FrontierSWE 得 55.0%，没有 Bug Bench 成绩，按谷歌 2026 年 10 月的对比表，是广度上的领先者
- DeepSeek第 8 名
  FrontierSWE 得 55.0%，Terminal-Bench 得 57.6%，推广期输出价 $10：是一个可信的第三席位，只是它的缺陷密度招致了独立机构的批评。
  来源 ↗
- MiMo第 8 名
  一次完整的 FrontierSWE 试跑费用为 $129.36，约为 Astra 的八分之一，因此它是全天任务的经济型席位。
  来源 ↗
3 个 AI 列入此名次
来源 ↗

前三名详解 ↓

02前三名详解

榜单在上方。这里进一步介绍排名前三的对象：它们是什么、为什么上榜、有哪些值得了解的事。

缺陷率并非完全同一口径：不同工具下数值不同（在 Codex 内为 0.62，总体为 0.76），不同日期也不同（Opus 5.5 现在是 1.14，10 月是 1.49）。

1GPT-5.6 Sol

第 1 名 — GPT-5.6 Sol. 8 个 AI 中有 8 个将其列入榜单；在其中的中位名次：3. 它写出的代码最干净，统计在册的缺陷最少，输出价格又低，不过在持续一整天的任务上较弱。

你知道吗

GPT-5.6 分三种规格：Sol、Terra 和 Luna。OpenAI 公布的数据称，更便宜的 Terra 和 Luna 在部分测试中胜过 Fable 5，成本约为其十六分之一。
来源 ↗

它是什么: OpenAI 的编程模型 Sol，分三种规格出售。
它的优势: 三者中统计缺陷最少，输出价格便宜得多。
适合谁: 适合日常写干净的代码；不适合持续二十小时的长跑式任务。

相对缺陷率相对缺陷率 0.76

Wikidata

历史

2026 年 6 月 26 日，OpenAI 只向一小批经过审核的合作伙伴预览了 GPT-5.6 Sol。应美国政府要求，它先把合作伙伴名单提供给了政府。OpenAI 称这只是短期措施，并非长久安排。
来源 ↗

进一步了解

打开 GPT-5.6 Sol 的模型页面。页面上列有模型编号 gpt-5.6-sol、1,050,000 个词元的上下文窗口以及价格。先用默认的中等强度跑一项有一定难度的真实任务，再决定调高还是调低。
来源 ↗

比较前三名 ↓

2GPT-6 Astra

第 2 名 — GPT-6 Astra. 8 个 AI 中有 8 个将其列入榜单；在其中的中位名次：3. 它在二十小时的任务上胜出，但每次试验的成本高得多，缺陷也更多，所以更适合作为升级档位。

你知道吗

Astra 是 OpenAI 首个在其“准备框架”下网络安全能力被评为“关键”级别的模型。在没有生产环境限制的情况下，它在 ExploitBench 上得分 100%，而 GPT-5.6 Sol 为 78.5%。
来源 ↗

它是什么: OpenAI 的顶级模型 GPT-6，先向一小批客户开放。
它的优势: 二十小时任务表现最好，得分 65.5%，领先另外两个。
适合谁: 适合预算充足、需要持续一整天的高难度工作；不适合作为日常默认选择。

相对缺陷率缺陷率 1.13

维基百科 · Wikidata

历史

2026 年 9 月 3 日，OpenAI 在其 Daybreak 计划中先向一批选定的客户推出了 GPT-6 Astra，之后才全面开放。
来源 ↗

需要注意

发布一周后，许多用户表示 Astra 变差了。Opencode 的达克斯·拉德团队改回使用 GPT-5.6 Sol，称花费翻倍并不能抵消其弊端。Decrypt 称 OpenAI 尚未发表任何声明。
来源 ↗
它每百万输入词元收费 10 美元，每百万输出词元收费 50 美元，是 Sol 发布价格的 2.5 倍。其最强的网络安全功能仅限经过审核的防御方，在 Daybreak 计划下使用。
来源 ↗

人们怎么说

Astra feels significantly dumber for me today — synthwavedd (developer, on X)
来源 ↗

进一步了解

打开 OpenAI 的 GPT-6 Astra 页面，了解它的强项：电脑操作、网页浏览、编程和科研。目前开放范围有限，开始前请查看页面，确认你的套餐能使用哪些功能。
来源 ↗

Gemini 把它排在第一。它们看到了什么

Gemini: 在 FrontierSWE v2 的 20 小时长任务上以 65.5% 领先，同时在 Codex 内保持 58.2% 的命令行解决率。

视频: Coding is Dead? Learn These SKILLS to Survive AGI | GPT-6 Astra Explained (英文) · Nishant Chahar

比较前三名 ↓

3Claude Opus 5.5

第 3 名 — Claude Opus 5.5. 8 个 AI 中有 8 个将其列入榜单；在其中的中位名次：3. 它在终端任务上领先，二十小时的工作表现也不错，每次试验价格低，但缺陷更多。

你知道吗

中等强度有时能胜过最高强度。在部分编程基准测试中，中等强度完成一项任务的花费不到一美元，得分却高于每项任务花费数美元的最高强度运行。
来源 ↗

它是什么: Anthropic 的 Claude 模型，为编程智能体而打造。
它的优势: 终端任务表现最好，得分 64.8%，每次试验的成本远低于 Astra。
适合谁: 适合困难的终端任务；如果最看重代码干净，就不是首选。

相对缺陷率综合缺陷率 1.14

历史

2026 年 9 月 22 日，Anthropic 发布了 Claude Opus 5.5，这是其 5.5 系列的首个模型。其标准输入和输出价格较 Opus 5 下调 20%，分别为每百万词元 4 美元和 20 美元。
来源 ↗ ✓ 多个 AI 共同确认

进一步了解

请阅读 Claude Opus 5.5 的官方公告。公告称，该模型在大多数任务上与 Claude Fable 5.1 相当，运行成本比 Opus 5 低 40%。开始时，请在 Claude Platform 上使用模型编号 claude-opus-5-5。
来源 ↗

MiMo 把它排在第一。它们看到了什么

MiMo: 在终端榜上以 64.8% 居首，并在 20 小时任务中得 62.3%——每次试跑约 $99，而该榜冠军每次要花 $1,030。

比较前三名 ↓

前三名对比

	GPT-5.6 Sol	GPT-6 Astra	Claude Opus 5.5
进入 AI 榜单	8 / 8	8 / 8	8 / 8
相对缺陷率	相对缺陷率 0.76	缺陷率 1.13	综合缺陷率 1.14
排第一的 AI	Meta, Wenxin	Gemini	MiMo

AI 数量相同的名次，按其在各 AI 榜单中的平均名次排序。

03值得了解

AI 在编制榜单时注意到的内容。

使用最多的模型并不是最干净的：10 月 26 日当周，Opus 5.5 写下了 cubic 统计的 AI 代码行数的 64.4%，但其缺陷率为 1.14，而 GPT-6.1 Sol 为 0.76。

提及者:

已列入: ChatGPT, Grok. 未列入: Meta, Gemini, Nova, DeepSeek, Wenxin, MiMo.

01最终榜单

GPT-5.6 Sol

GPT-6 Astra

Claude Opus 5.5

GPT-6.1 Sol

Claude Sonnet 5.5

Claude Fable 5.1

Claude Opus 5

Grok 4.7

Gemini 4 Carbon

Gemini 4 Argon

02前三名详解

1GPT-5.6 Sol

你知道吗

2GPT-6 Astra

你知道吗

3Claude Opus 5.5

你知道吗

前三名对比

更多榜单

03值得了解

04大家常问的问题

05我们如何统计

1问题

2为什么选这个话题

3适用范围

4考量标准

5谁来排名

6名次如何确定

06各个 AI 的单独榜单

ChatGPT 注意到的内容

Meta 注意到的内容

Grok 注意到的内容

DeepSeek 注意到的内容

Wenxin 注意到的内容

MiMo 注意到的内容