BenchLeader

AI 编程基准测试排行榜(2026年11月)

截至 2026年11月16日,BenchLeader 收录了来自 17 家发布方的 53 个 AI 编程基准测试,其中 13 个计入 BenchLeader Index。在编程基准测试中,Claude Fable 5.2(Anthropic)以 80.8 的编程得分领先,其后为 Claude Opus 5.5(78.8)和 Claude Fable 5(75.5)。在权重最高的现役基准测试中,Arena WebDev 由 Claude Fable 5.2 (xhigh)(1838)领先。在这 53 个基准测试中,38 个现役、8 个接近饱和、5 个已饱和、2 个已退役(已退役:一年内没有新结果)。

最后更新 · 每 6 小时重建一次 · 仅采用第三方发布方,不用发布文章中的数字

基准测试
53
现役
38
已饱和或接近饱和
13
发布方
17

其他类别:AI 智能体基准测试 · 推理与数学基准测试 · 多模态 AI 基准测试 · 全部大模型基准测试

编程基准测试领先模型

按 BenchLeader Index 的编程类别排名:取下列计入 Index 的各项基准测试,标准化(50 代表平均水平的模型)后求平均。每个模型一行,取其表现最好的推理强度;模型需要在其中至少 2 项基准测试上有结果才会排名。

#模型提供商编程得分Index混合 $/M
1Claude Fable 5.2 (xhigh)Anthropic80.869.7$16.00
2Claude Opus 5.5 (max)Anthropic78.868.4$8.00
3Claude Fable 5Anthropic75.565.4$20.00
4Gemini 4 Carbon (high)Google74.168.9$4.00
5GPT-6 Astra (max)OpenAI73.267.3$20.00
6GPT-5.6 SolOpenAI71.654.3$8.00
7GPT-6.1 Sol (max)OpenAI71.166.6$4.00
8Claude Sonnet 5.5 (max)Anthropic70.264.2$4.00
9Muse Wonder Full (max)Meta69.961.7–
10Claude Fable 5.1 (max)Anthropic69.766.7$20.00

全部编程基准测试:衡量内容与当前领先者(53 项)

编程基准测试涵盖多种形式:在模型训练截止之后发布的竞赛题(LiveCodeBench);端到端修复真实 GitHub issue、并由仓库自身测试验证(SWE-bench Verified,500 个 issue;SWE-Bench Pro 使用私有仓库);以及通过真实编程智能体完成的代码修改(Aider Polyglot,225 道练习)。

适用于:为代码生成、代码审查和自主编程智能体挑选模型。

注意: HumanEval 已经饱和;在 SWE-bench 上,测试框架(harness)和脚手架对分数的影响与模型本身一样大,因此只应在相同条件下比较(BenchLeader 单独列出 bash-only 框架的结果)。

基准测试衡量内容当前领先者状态模型最新结果
Arena WebDev对生成的网页应用进行两两投票。Claude Fable 5.2 (xhigh) 1838现役由评审打分1502026年11月11日
LiveCodeBench在模型训练截止之后发布的编程竞赛题。由 Vals AI 运行。Claude Fable 5.1 (max) 90.5%接近饱和1402026年9月1日
FrontierCode 2.0 (AA)Cognition 的 FrontierCode 2.0:来自真实开源仓库的 132 个任务,按维护者是否会合并该修改来评分。用于 Intelligence Index v5。由 Artificial Analysis 运行。Claude Fable 5.2 (high) 49.1%现役1332026年11月12日
SWE-bench Verified (bash only)使用极简 bash-only mini-SWE-agent 框架得到的 SWE-bench Verified 官方结果。Claude Opus 4.5 (high) 76.8%现役依赖测试框架462026年2月26日
SWE-Bench Pro公开仓库中的长周期软件工程任务。Scale AI。Muse Spark 1.1 61.5%现役依赖测试框架252026年7月9日
Arena Coding文本竞技场在编程提示词上的评分。Gemini 4 Carbon (high) 1568现役由评审打分3792026年11月11日
SciCode研究级的科学计算编程题。Claude Fable 5.2 (max) 67.7%现役2362026年11月10日
WeirdML需要写出可运行训练代码的非常规机器学习任务。GPT-6 Astra (Pro 模式) 93.6%接近饱和1592026年9月3日
FrontierCode在智能体框架中运行的高难度真实编程任务(Cognition)。Claude Opus 5.5 (medium) 54.6%现役462026年10月13日
GSO-Bench以专家优化提速为基准衡量的软件优化任务。Claude Fable 5.1 88.2%现役352026年9月3日
SWE-bench Verified (Epoch)Epoch AI 使用固定脚手架自行运行的 SWE-bench Verified。Claude Opus 4.7 (max) 83.5%现役依赖测试框架332026年6月16日
LiveCodeBench (AA)不计入 Index在模型训练截止之后从 LeetCode、AtCoder 和 Codeforces 持续收集的编程竞赛题,很难靠记忆作答。由 Artificial Analysis 运行。Gemini 3 Pro (high) 91.8%接近饱和3072026年1月4日
Terminal-Bench 4.0 (AA)不计入 Index在沙盒终端中完成真实的命令行任务(4.0 版)。由 Artificial Analysis 运行;计入 Index 的是 Terminal-Bench 团队自己的结果。Kimi K3.1 Pro 67.2%现役依赖测试框架2572026年11月12日
SciCode (AA)不计入 IndexArtificial Analysis 自行运行的 SciCode。已从 Intelligence Index v5 中移除,但仍在发布。仅作参考。Claude Fable 5.2 (max) 67.7%现役2512026年11月9日
Terminal-Bench 2.1 (AA)不计入 Index上一版 Terminal-Bench。由于在它上面运行过的模型远多于 4.0,因此保留。Claude Fable 5.1 (max) 91.4%接近饱和依赖测试框架2402026年11月5日
GameBench 2 by reasoning setting不计入 IndexGameBench 2 按模型运行时的每种推理设置分别计分,并归入对应的推理强度。仅显示 DuelLab 给出排名的设置。Claude Fable 5.2 (xhigh) 99.1现役2032026年11月10日
Design Arena Website不计入 Index两个模型根据同一提示词构建网站,访客投票选出更好的一个,投票结果转换为 Bradley-Terry 评分。对战少于 200 场的模型不计入。Muse Wonder (max) 1378现役由评审打分1942026年11月16日
ALE-Bench不计入 IndexAtCoder 启发式竞赛中的长周期算法工程。GPT-6 Astra (max) 2951.3现役1412026年11月9日
CursorBench不计入 IndexCursor 内部的编程智能体评测,附推理档位和成本。Gemini 4 Carbon (high) 60.4%现役依赖测试框架902026年11月10日
FrontierCode 1.1 (AA)不计入 IndexArtificial Analysis 运行的 Cognition FrontierCode 1.1。由于在它上面运行过的模型远多于 2.0,因此与 2.0 并列保留。Claude Fable 5.2 (medium) 64.0%现役832026年11月9日
Code Migration不计入 Index把整个程序改写成另一种语言,并且仍能通过测试。由 Vals AI 运行。Claude Sonnet 5.5 (max) 69.8%现役782026年10月29日
DeepSWE v1.1不计入 Index在智能体框架中完成、并记录推理强度的软件工程任务。GPT-6 Astra (xhigh) 74.1%现役依赖测试框架692026年9月3日
LiveBench 1.0 Coding不计入 IndexLiveBench 1.0 的编程类别,冻结在最终版本(2026年6月25日)。LiveBench 2.0 的编程套件是另一项测试。Claude Sonnet 5.5 (max) 91.4%接近饱和682026年6月25日
ProgramBench不计入 Index根据编译后的二进制文件重建程序。由 Vals AI 运行。Claude Fable 5.2 (high) 19.0%现役652026年11月9日
SWE-bench Verified (any scaffold)不计入 Index该模型在任意智能体脚手架下的 SWE-bench Verified 最佳官方结果。仅作参考。Claude Opus 4.5 79.2%现役依赖测试框架652026年2月19日
GameBench 2 Overall不计入 IndexDuelLab 的 GameBench 2 总分:模型编写玩游戏的程序,程序之间相互对战,根据比赛结果得出评分。仅显示 DuelLab 给出总排名的模型。Claude Fable 5.2 95.0现役562026年11月10日
MirrorCode不计入 Index根据程序的输出复现其行为。由 Epoch AI 运行。Claude Sonnet 5.5 (max) 97.8%接近饱和452026年10月26日
LiveBench 2.0 Coding不计入 IndexLiveBench 2.0 编程套件:在冻结的单体仓库上修复真实已合并 PR 中的 bug,确定性评分。Gemini 4 Carbon (high) 91.0%接近饱和342026年11月6日
Code Migration v1.1不计入 IndexCode Migration v1.1,Vals AI 目前用来评测新模型的版本。由 Vals AI 运行。Claude Sonnet 5.5 (max) 86.9%现役302026年11月9日
Startrise Frontend不计入 Index十二份一次性前端需求,在真实浏览器中构建,按工艺、工程、对需求的遵循度和原创性评分。构成为 25% 的确定性门槛、45% 的跨机构盲评模型评审团和 30% 的人工盲评。Claude Opus 5 (xhigh) 82.3%现役292026年10月5日
Surface Evolver Bench不计入 Index使用 Surface Evolver 软件包的科学计算。Claude Fable 5 (high) 95.0%接近饱和292026年10月6日
SWE Atlas v1.1不计入 IndexSWE Atlas v1.1 总分:15 个仓库的 284 个任务,涵盖代码库问答、测试编写和重构,所有模型都用新的评审模型重新运行。Scale AI。Claude Fable 5.2 80.5%现役依赖测试框架282026年11月11日
SWE Atlas v1.1: Codebase QnA不计入 Index回答关于大型代码库的问题(SWE Atlas v1.1)。Scale AI。Claude Fable 5.2 83.9%现役依赖测试框架282026年11月11日
SWE Atlas v1.1: Refactoring不计入 Index在真实仓库中进行重构(SWE Atlas v1.1)。Scale AI。Claude Fable 5.2 80.0%现役依赖测试框架282026年11月11日
SWE Atlas v1.1: Test Writing不计入 Index为现有代码编写测试(SWE Atlas v1.1)。Scale AI。Claude Fable 5.1 78.9%现役依赖测试框架282026年11月11日
Vibe Code Bench 1-100不计入 Index按需求逐次扩展一个可运行的网页应用,共 100 次。由 Vals AI 运行。Muse Wonder Full (max) 34.0%现役262026年10月29日
WeirdML v3不计入 Index11 个不寻常的机器学习任务,由编程智能体自己编写并运行训练代码。官方分数既看结果,也看能否用更少的 token 达到好结果;与 WeirdML v2 不可比。GPT-6 Astra (xhigh) 42.2%现役262026年10月26日
FrontierSWE不计入 Index覆盖实现、性能和研究的前沿难度软件工程任务。Claude Fable 5.2 (max) 69.9%现役依赖测试框架222026年11月10日
SWE Atlas v1.0: Codebase QnA不计入 Index回答关于大型代码库的问题。Scale AI。停留在 v1.0;v1.1 用新的评审模型重新运行了所有模型。Claude Opus 5 (xhigh) 63.2%现役依赖测试框架222026年9月9日
SWE Atlas v1.0: Test Writing不计入 Index为现有代码编写测试。Scale AI。停留在 v1.0;v1.1 用新的评审模型重新运行了所有模型。Claude Fable 5.1 (xhigh) 67.0%现役依赖测试框架222026年9月9日
SWE-bench Multimodal不计入 Index来自 JavaScript 仓库、问题体现在界面上的 GitHub issue,修复时需要看懂图片。由 Vals AI 运行。Claude Opus 5.5 (max) 70.2%现役依赖测试框架222026年11月9日
AlgoTune不计入 Index把数值计算代码优化到比参考实现更快。GPT-5.2 (medium) 2.0现役182026年3月5日
SWE Atlas v1.0: Refactoring不计入 Index在真实仓库中进行重构。Scale AI。停留在 v1.0;v1.1 用新的评审模型重新运行了所有模型。GPT-6 Astra (xhigh) 59.0%现役依赖测试框架172026年9月9日
SWE-Bench Pro (private)不计入 IndexSWE-Bench Pro 中基于商业仓库的非公开题集。Scale AI。Muse Spark 1.1 51.5%现役依赖测试框架142026年7月9日
SWE-bench Multilingual (bash only)不计入 Index来自 42 个仓库、覆盖 9 种编程语言的 300 个真实 GitHub 问题,由 SWE-bench 团队用极简 bash-only mini-SWE-agent 框架运行。Gemini 3 Flash 72.7%现役依赖测试框架132026年2月20日
Vibe Code Bench 1-100 v1.1不计入 IndexVibe Code Bench 1-100 的 v1.1 版本,Vals AI 现在用它测试新模型。由 Vals AI 运行。Gemini 4 Carbon (high) 49.7%现役82026年11月13日
IOI国际信息学奥林匹克(IOI)题目。由 Vals AI 运行。GPT-6 Astra (max) 100.0%已饱和462026年10月29日
Vibe Code Bench v1.1不计入 Index根据需求说明从零开始构建网页应用。由 Vals AI 运行。Claude Fable 5.2 (high) 93.8%已饱和由评审打分1242026年11月11日
SWE-bench (Vals)不计入 IndexVals AI 自行运行的 SWE-bench。仅作参考。Claude Opus 5 97.0%已饱和依赖测试框架862026年9月1日
SWE-Bench Pro V2不计入 IndexSWE-Bench Pro 重新整理的公开题集 V2(2026年9月):11 个仓库的 642 个任务,禁用网页工具,每个补丁都在干净环境中重新评分。Scale AI。Claude Opus 5 (xhigh) 99.4%已饱和依赖测试框架182026年11月6日
SWE-Bench Pro V2 HARD不计入 IndexSWE-Bench Pro V2 中最难的子集。Scale AI。Claude Opus 5 (xhigh) 98.0%已饱和依赖测试框架182026年11月6日
Aider Polyglot225 道 Exercism 题目中第二次尝试内解出的比例。GPT-5 (high) 88.0%已退役依赖测试框架622025年10月3日
CadEval不计入 Index根据规格生成 CAD 模型。o3 (medium) 74.0%已退役152025年4月16日

AI 编程基准测试:常见问题

最有参考价值的 AI 编程基准测试有哪些?
目前最有参考价值的 AI 编程基准测试是 Arena WebDev(领先者:Claude Fable 5.2 (xhigh),1838)、LiveCodeBench(领先者:Claude Fable 5.1 (max),90.5%)和 FrontierCode 2.0(领先者:Claude Fable 5.2 (high),49.1%):它们都计入 BenchLeader Index,覆盖的模型多,而且尚未饱和。适用于:为代码生成、代码审查和自主编程智能体挑选模型。
哪个 AI 模型在 AI 编程基准测试上表现最好?
截至 2026年11月16日:在编程基准测试中,Claude Fable 5.2(Anthropic)以 80.8 的编程得分领先,其后为 Claude Opus 5.5(78.8)和 Claude Fable 5(75.5)。类别得分先将每项基准测试标准化(50 代表平均水平的模型,15 分为一个标准差),再求平均,因此单项基准测试无法决定排名。
不同的 AI 编程基准测试之间,分数可以相互比较吗?
部分可以。竞赛类基准测试(LiveCodeBench、SciCode)直接给代码本身打分,跨模型可比性好;代码仓库类基准测试(SWE-bench Verified、SWE-Bench Pro)还取决于运行模型的智能体测试框架,所以请比较同一测试框架下的结果。BenchLeader 把每种测试框架都作为单独的基准测试列出。
哪些 AI 编程基准测试已经饱和?
截至 2026年11月16日,LiveCodeBench(接近饱和)、WeirdML(接近饱和)、LiveCodeBench(接近饱和)、Terminal-Bench 2.1(接近饱和)、LiveBench 1.0 Coding(接近饱和)、MirrorCode(接近饱和)、LiveBench 2.0 Coding(接近饱和)、Surface Evolver Bench(接近饱和),另有 5 个。第五名模型得分达到 90% 及以上时,该基准测试判定为“已饱和”;领先者达到 90% 或第五名达到 80% 时,判定为“接近饱和”。两者都根据数据判定,会随分数变化。
这个排行榜多久更新一次?
BenchLeader 每 6 小时(UTC 04:03、10:03、16:03、22:03 开始运行)重新读取每个发布方的结果,每次更新都会重建本页。各基准测试最新结果的日期见表格;各发布方按各自的时间表更新。

引用格式:BenchLeader,《AI 编程基准测试排行榜(2026年11月)》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/coding。