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 |
|---|---|---|---|---|---|---|---|---|
| 1 | 93 | 70 | 64 | 67 | – | 1M | – | |
| 2 | 87 | 65 | 65 | 64 | – | 262k | – | |
| 3 | 84 | 61 | 64 | 65 | $0.230 | 256k | – | |
| 4 | 83 | 71 | 69 | 64 | $4.00 | 1.0M | 0.31% | |
| 5 | 新 | 83 | 75 | 81 | 66 | $16.00 | 1M | 0.40% |
| 6 | 82 | 65 | 64 | 68 | $4.00 | 1.0M | 1.6% | |
| 7 | 82 | 62 | 65 | 61 | – | 256k | – | |
| 8 | 81 | 65 | 64 | 66 | $4.00 | 1.1M | 1.8% | |
| 9 | 80 | 63 | 64 | 64 | $2.00 | 1.1M | 0.58% | |
| 10 | 79 | 69 | 62 | 66 | $8.00 | 1M | 3.3% | |
| 11 | 78 | 71 | 63 | 66 | $20.00 | 1M | 0.01% | |
| 12 | 78 | 67 | 63 | 67 | $20.00 | 1M | 0.08% | |
| 13 | 78 | 64 | 64 | 64 | $4.00 | 1.0M | 0.43% | |
| 14 | 78 | 70 | 64 | 65 | $20.00 | 1.1M | 0.14% | |
| 15 | 77 | 66 | 65 | 64 | $8.00 | 1.1M | 0.11% | |
| 16 | 77 | 60 | 55 | 66 | $0.475 | 1.0M | 0.59% | |
| 17 | 76 | 59 | 64 | 65 | $3.00 | 500k | 0.03% | |
| 18 | 76 | 61 | 65 | 64 | $4.00 | 1M | 1.2% | |
| 19 | 75 | 59 | 55 | 68 | $0.548 | 1.0M | 0.44% | |
| 20 | 75 | 65 | 63 | 65 | $10.00 | 1M | 0.09% | |
| 21 | 75 | 60 | 59 | 66 | $2.00 | 1.0M | 0.03% | |
| 22 | 75 | 57 | 65 | 66 | $4.81 | 400k | <0.01% | |
| 23 | 75 | 56 | 72 | 65 | $2.92 | 262k | – | |
| 24 | 新 | 74 | 63 | 62 | – | $3.00 | 1.0M | 0.08% |
| 25 | 73 | 61 | 59 | 65 | $3.00 | 1M | 0.10% | |
| 26 | 72 | 57 | 62 | 71 | $3.50 | 200k | <0.01% | |
| 27 | 72 | 62 | 62 | 65 | $8.00 | 1.0M | 0.05% | |
| 28 | 72 | 55 | 68 | 66 | $4.81 | 272k | <0.01% | |
| 29 | 72 | 61 | 57 | – | $1.25 | 960k | 8.6% | |
| 30 | 72 | 58 | 61 | 62 | – | – | – | |
| 31 | 71 | 62 | 53 | 65 | $1.50 | 1.0M | 0.15% | |
| 32 | 71 | 62 | 59 | 64 | $4.00 | 1.1M | 0.12% | |
| 33 | 71 | 62 | 64 | 63 | $10.00 | 1M | <0.01% | |
| 34 | 70 | 58 | 62 | 56 | $0.150 | 256k | – | |
| 35 | 70 | 53 | 58 | 65 | $0.175 | 1.0M | 1.0% | |
| 36 | 70 | 65 | 54 | 63 | $2.00 | 1.0M | <0.01% | |
| 37 | 70 | 55 | 55 | 65 | $0.262 | 1M | 1.6% | |
| 38 | 70 | 59 | 67 | 62 | $10.00 | 200k | <0.01% | |
| 39 | 69 | 55 | 55 | 65 | $0.238 | 1M | 5.6% | |
| 40 | 69 | 60 | 55 | 67 | $6.00 | 1.0M | 0.55% |
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。