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 |
|---|---|---|---|---|---|
| 1 | Claude Fable 5.2 (xhigh) | Anthropic | 80.8 | 69.7 | $16.00 |
| 2 | Claude Opus 5.5 (max) | Anthropic | 78.8 | 68.4 | $8.00 |
| 3 | Claude Fable 5 | Anthropic | 75.5 | 65.4 | $20.00 |
| 4 | Gemini 4 Carbon (high) | 74.1 | 68.9 | $4.00 | |
| 5 | GPT-6 Astra (max) | OpenAI | 73.2 | 67.3 | $20.00 |
| 6 | GPT-5.6 Sol | OpenAI | 71.6 | 54.3 | $8.00 |
| 7 | GPT-6.1 Sol (max) | OpenAI | 71.1 | 66.6 | $4.00 |
| 8 | Claude Sonnet 5.5 (max) | Anthropic | 70.2 | 64.2 | $4.00 |
| 9 | Muse Wonder Full (max) | Meta | 69.9 | 61.7 | – |
| 10 | Claude Fable 5.1 (max) | Anthropic | 69.7 | 66.7 | $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 | 150 | 2026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 | 140 | 2026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 | 133 | 2026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 | 46 | 2026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 | 25 | 2026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 | 379 | 2026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 | 236 | 2026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 | 159 | 2026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 | 46 | 2026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 | 35 | 2026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 | 33 | 2026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 | 307 | 2026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 | 257 | 2026年11月12日 |
| SciCode (AA)不计入 Index | Artificial 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 | 251 | 2026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 | 240 | 2026年11月5日 |
| GameBench 2 by reasoning setting不计入 Index | GameBench 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 | 203 | 2026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 | 194 | 2026年11月16日 |
| ALE-Bench不计入 Index | AtCoder 启发式竞赛中的长周期算法工程。 | GPT-6 Astra (max) 2951.3 | 现役 | 141 | 2026年11月9日 |
| CursorBench不计入 Index | Cursor 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 | 90 | 2026年11月10日 |
| FrontierCode 1.1 (AA)不计入 Index | Artificial 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 | 83 | 2026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 | 78 | 2026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 | 69 | 2026年9月3日 |
| LiveBench 1.0 Coding不计入 Index | LiveBench 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 | 68 | 2026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 | 65 | 2026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 | 65 | 2026年2月19日 |
| GameBench 2 Overall不计入 Index | DuelLab 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 | 56 | 2026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 | 45 | 2026年10月26日 |
| LiveBench 2.0 Coding不计入 Index | LiveBench 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 | 34 | 2026年11月6日 |
| Code Migration v1.1不计入 Index | Code 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 | 30 | 2026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 | 29 | 2026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 | 29 | 2026年10月6日 |
| SWE Atlas v1.1不计入 Index | SWE 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 | 28 | 2026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 | 28 | 2026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 | 28 | 2026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 | 28 | 2026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 | 26 | 2026年10月29日 |
| WeirdML v3不计入 Index | 11 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 | 26 | 2026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 | 22 | 2026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 | 22 | 2026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 | 22 | 2026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 | 22 | 2026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 | 18 | 2026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 | 17 | 2026年9月9日 |
| SWE-Bench Pro (private)不计入 Index | SWE-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 | 14 | 2026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 | 13 | 2026年2月20日 |
| Vibe Code Bench 1-100 v1.1不计入 Index | Vibe 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 | 8 | 2026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 | 46 | 2026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 | 124 | 2026年11月11日 |
| SWE-bench (Vals)不计入 Index | Vals 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 | 86 | 2026年9月1日 |
| SWE-Bench Pro V2不计入 Index | SWE-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 | 18 | 2026年11月6日 |
| SWE-Bench Pro V2 HARD不计入 Index | SWE-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 | 18 | 2026年11月6日 |
| Aider Polyglot | 225 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 | 62 | 2025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 | 15 | 2025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。
相关页面
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。