BenchLeader

最适合编程智能体的模型

智能体在无人看管的情况下一次工作好几分钟,所以首个 token 之前的等待几乎无关紧要。关键在于:写出的代码能否通过、能否驱动工具而不迷失方向、能否把大型代码仓库放进上下文,以及长时间会话要花多少钱——智能体消耗 token 的速度是聊天远远比不上的。

截至 2026年11月16日,最适合这一用途的是 Muse Wonder Full(max),编程为 70,工具调用为 64。

按单一指标排名: 最适合编程的大模型(2026年11月) · 最适合智能体的大模型(2026年11月)

权重说明

  • 35%编程这项工作就是写出真正能运行的代码
  • 30%工具调用智能体的大部分回合都在调用工具、读取返回结果,而不是撰写文字
  • 20%长上下文真实的代码仓库放不进小窗口,而注意力随长度衰减,会表现为忘记之前的决定
  • 15%每百万 token 价格会话很长,聊天中察觉不到的价格差异,在这里就是全部预算

在 339 个已排名模型中,有 246 个符合条件:其余模型要么缺少权重所依赖的某项测量,要么超出上述限制。与其只用模型碰巧具备的指标给它打分,我们宁可把它排除在外。

上面的基准测试分数是把模型各推理强度档位的结果合并计算,并按每个档位所依据的基准测试数量加权。发布方很少在每个档位上都运行同一项基准测试,所以单个档位的类别分数往往只来自一个结果——而单个结果波动太大,不足以决定排名。延迟和价格则按档位分别计算,因为它们确实不同。

#模型匹配度编程工具调用长上下文每百万 token 价格上下文窗口OpenRouter 份额
1Muse Wonder FullmaxMeta93706467–1M–
2Muse SparkMeta87656564–262k–
3Qwen3.8-Flash-NextAlibaba84616465$0.230256k–
4Gemini 4 CarbonhighGoogle83716964$4.001.0M0.31%
5新Claude Fable 5.2maxAnthropic83758166$16.001M0.40%
6Kimi K3.1 ProMoonshot AI82656468$4.001.0M1.6%
7Mimo v2 OmniXiaomi82626561–256k–
8GPT-6.1 SolmaxOpenAI81656466$4.001.1M1.8%
9GPT-6.1 TerramaxOpenAI80636464$2.001.1M0.58%
10Claude Opus 5.5maxAnthropic79696266$8.001M3.3%
11Claude Fable 5Anthropic78716366$20.001M0.01%
12Claude Fable 5.1maxAnthropic78676367$20.001M0.08%
13Gemini 4 ArgonhighGoogle78646464$4.001.0M0.43%
14GPT-6 AstramaxOpenAI78706465$20.001.1M0.14%
15GPT-5.6 SolmaxOpenAI77666564$8.001.1M0.11%
16Inkling 2 SmallThinking Machines77605566$0.4751.0M0.59%
17Grok 4.6highSpaceXAI76596465$3.00500k0.03%
18Claude Sonnet 5.5maxAnthropic76616564$4.001M1.2%
19MiMo-V2.6-ProXiaomi75595568$0.5481.0M0.44%
20Claude Opus 5maxAnthropic75656365$10.001M0.09%
21Muse Spark 1.3Meta75605966$2.001.0M0.03%
22GPT-5.3-CodexxhighOpenAI75576566$4.81400k<0.01%
23Qwen3.6 MaxmaxAlibaba75567265$2.92262k–
24新Gemini 4 HydrogenhighGoogle746362–$3.001.0M0.08%
25Qwen3.8 MaxmaxAlibaba73615965$3.001M0.10%
26o3OpenAI72576271$3.50200k<0.01%
27Muse WonderMeta72626265$8.001.0M0.05%
28GPT-5.2-CodexOpenAI72556866$4.81272k<0.01%
29Hy4Tencent726157–$1.25960k8.6%
30Gemini 3 ProGoogle72586162–––
31Gemini 3.7 FlashhighGoogle71625365$1.501.0M0.15%
32GPT-6 SolmaxOpenAI71625964$4.001.1M0.12%
33Claude Opus 4.7Anthropic71626463$10.001M<0.01%
34Step 3.5 FlashStepFun70586256$0.150256k–
35DeepSeek V4 FlashmaxDeepSeek70535865$0.1751.0M1.0%
36Muse Spark 1.1Meta70655463$2.001.0M<0.01%
37MiniMax M3.1 FlashMiniMax70555565$0.2621M1.6%
38Claude Opus 4.5highAnthropic70596762$10.00200k<0.01%
39GLM 5.3 FlashZhipu AI69555565$0.2381M5.6%
40Kimi K3Moonshot AI69605567$6.001.0M0.55%

如何解读

匹配度是百分位的加权组合,而不是百分制分数:每个维度都与这里所有可评估的其他模型比较排名,再按上面的权重合成。它表示与其他选择相比,一个模型有多适合这项工作——一个模型可能非常适合语音场景,却在质量排行榜上远远靠后,这正是按用途而不是按 Index 排名的意义所在。

最后一列不计入匹配度。它是 OpenRouter 上一周 token 用量中各模型所占的份额,反映的是人们的选择,而不是测量结果——两者往往不同。请把它看作一个市场的切片:直接发往厂商自有 API 的流量不会出现,在自己硬件上运行的模型更是完全不会出现,所以份额小并不能证明没人用。

不同意这样的权重?这很合理,所以我们把它公开列出,而不是藏起来。如果想自己设定条件,请使用模型筛选器。

引用格式:BenchLeader,《最适合编程智能体的模型》,数据截至 2026年11月16日,https://www.benchleader.com/zh/use/coding-agents。