编程模型排名

看看哪些 AI 模型在编程上表现最好，哪些更稳定，以及差距主要出现在哪里。排序方式: 测试正确 ↑.

显示的模型数

编程得分平均值

0.6

最佳模型

GLM 5.1 0.5

失败原因

失败原因为答案错误456 失败原因为 API 错误64 失败原因为无答案47 失败原因为未遵循指令44 失败原因为额外格式36 失败原因为超时24

408/408

排名	模型	公司	编程得分	分数	总成本	测试正确	响应时间（平均）
#84	Claude Opus 4.8 medium	Anthropic	1.0	0.8	$3.490	3/3	15.3s
总测试数 3 错误测试数 0 总成本 $3.490 响应时间（平均） 15.3s
#85	Ling 3.1 Flash medium	Inclusionai	1.0	0.8	$0.000	3/3	87.1s
总测试数 3 错误测试数 0 总成本 $0.000 响应时间（平均） 87.1s
#87	Grok 4.5 high	X AI	1.0	0.8	$2.687	3/3	155.2s
总测试数 3 错误测试数 0 总成本 $2.687 响应时间（平均） 155.2s
#95	DeepSeek V4.1 Flash low	DeepSeek	1.0	0.8	$0.494	3/3	40.7s
总测试数 3 错误测试数 0 总成本 $0.494 响应时间（平均） 40.7s
#100	Qwen3.8 Flash Next low	Qwen	1.0	0.8	~$0.045	3/3	29.5s
总测试数 3 错误测试数 0 总成本 ~$0.045 响应时间（平均） 29.5s
#116	Grok 4.5 low	X AI	1.0	0.8	$1.345	3/3	13.7s
总测试数 3 错误测试数 0 总成本 $1.345 响应时间（平均） 13.7s
#124	Qwen3.8 Flash Next medium	Qwen	1.0	0.8	~$0.047	3/3	45.5s
总测试数 3 错误测试数 0 总成本 ~$0.047 响应时间（平均） 45.5s
#138	Inkling Small high	Thinkingmachines	1.0	0.7	$0.398	3/3	93.2s
总测试数 3 错误测试数 0 总成本 $0.398 响应时间（平均） 93.2s
#151	Qwen3.8 27B medium	Qwen	1.0	0.7	~$0.073	3/3	40.5s
总测试数 3 错误测试数 0 总成本 ~$0.073 响应时间（平均） 40.5s
#155	LongCat 2.0 medium	Meituan	1.0	0.7	$0.767	3/3	455.0s
总测试数 3 错误测试数 0 总成本 $0.767 响应时间（平均） 455.0s
#156	GLM 5 medium	Z.ai	1.0	0.7	$0.479	3/3	74.3s
总测试数 3 错误测试数 0 总成本 $0.479 响应时间（平均） 74.3s
#168	Ember-1 low	Fireworks	1.0	0.7	$1.488	3/3	37.9s
总测试数 3 错误测试数 0 总成本 $1.488 响应时间（平均） 37.9s
#292	Claude Opus 4.7 none	Anthropic	0.3	0.5	$0.505	1/1	2.84s
总测试数 1 错误测试数 0 总成本 $0.505 响应时间（平均） 2.84s
#324	Grok 4.20 Beta medium	X AI	0.3	0.5	$0.750	1/1	31.4s
总测试数 1 错误测试数 0 总成本 $0.750 响应时间（平均） 31.4s
#344	Gemini 3.1 Flash Lite high	Google	0.3	0.5	$2.044	1/1	137.6s
总测试数 1 错误测试数 0 总成本 $2.044 响应时间（平均） 137.6s

编程排名

筛选模型

按编程得分排名的顶级模型

编程得分 vs 总成本

按响应时间（平均）排名的顶级模型

编程 排名

筛选模型

按 编程 得分 排名的顶级模型

编程 得分 vs 总成本仅估算 GPU 的电费，不包括计算机其他部件及硬件购置成本。 NVIDIA GeForce RTX 3090: 0.4535 h × 0.300 kW × €0.2896/kWh × 1.138 USD/EUR = ~$0.044834.

按 响应时间（平均） 排名的顶级模型

编程排名

按编程得分排名的顶级模型

编程得分 vs 总成本

按响应时间（平均）排名的顶级模型