写代码用什么大模型
2026年11月写代码：先看修真实 bug 的能力
写代码选型的金标准是 SWE-bench Verified——500 个真实 GitHub issue，模型在完整仓库里定位并修复。它比「生成一段代码对不对」难得多，也最接近日常开发。下面按预算和部署条件分档推荐。
最后更新
分档推荐
- 最强live-SWE-agent + Gemini 3 Pro Preview (2025-11-18)SWE-bench 77.4%
预算充足、要最好的结果：复杂重构和疑难 bug 交给它，一次通过率最高。
官网 ↗需海外网络 - 均衡MiniMax M2.5 (high)SWE-bench 75.8%
日常开发主力：能力接近最强档，价格和速度更友好，长任务稳定。
- 性价比GPT 5.2 (high)SWE-bench 72.8%
大批量任务、成本敏感：修复率仍在 60%+ 水平，价格只有旗舰的零头。
官网 ↗需海外网络 - 本地部署Claude 4.5 Sonnet (high)SWE-bench 71.4%
数据不出内网：开源权重模型可自行部署，配合智能体框架在内网跑完整流程。
官网 ↗需海外网络
SWE-bench Verified 修复率（前 15）
结论表
| 模型 | 修复率 | 价格档 | 一句话点评 | 链接 |
|---|---|---|---|---|
| live-SWE-agent + Gemini 3 Pro Preview (2025-11-18) | 77.4% | 旗舰档 | 榜首：修真实 issue 的当前天花板。 | 来源 ↗AI 精选 →需海外网络 |
| Claude 4.5 Opus (high) | 76.8% | 旗舰档 | 稳定上榜，多轮修复成功率高。 | 来源 ↗AI 精选 →需海外网络 |
| Gemini 3 Flash (high) | 75.8% | 旗舰档 | 稳定上榜，多轮修复成功率高。 | 来源 ↗AI 精选 →需海外网络 |
| MiniMax M2.5 (high) | 75.8% | 旗舰档 | 稳定上榜，多轮修复成功率高。 | 来源 ↗AI 精选 → |
| Claude 4.6 Opus | 75.6% | 旗舰档 | 稳定上榜，多轮修复成功率高。 | 来源 ↗AI 精选 →需海外网络 |
| Claude 4.5 Opus (20251101) (medium) | 74.4% | 旗舰档 | 稳定上榜，多轮修复成功率高。 | 来源 ↗AI 精选 →需海外网络 |
SWE-bench Verified版本 2026-02-26许可 MITSWE-bench Verified
先懂几个词
常见问题
写代码到底该看哪个榜？
看 SWE-bench Verified 这类「真实仓库修复率」榜，而不是聊天偏好榜。写代码的难点在读现有代码、多文件改动、跑通测试——这些只有真实 issue 榜能测出来。本页数据直接来自官方提交记录。
为什么「模型」和「框架」总是绑在一起出现？
因为高分提交几乎都是「模型 + 智能体框架」组合：框架负责规划、重试、跑测试，模型负责理解和改码。同一个模型换框架，分数可以差 10 个点以上。看榜时注意条目名称里的框架前缀（如 OpenHands、live-SWE-agent）。
本地部署的开源模型能到什么水平？
2026 年的开源权重模型（DeepSeek、GLM、Qwen、Kimi 等）在 SWE-bench Verified 上已能进入前二十，部分超过 60% 修复率——对内网、数据敏感或高并发的团队已经够用。差距主要在超长上下文和复杂多仓任务上。
Sub-80% 之后还有什么可卷的？
有。剩余失败案例集中在：跨仓库依赖、需要运行环境的交互式调试、超长上下文检索。这也是为什么新榜（SWE-bench Multimodal、Terminal-Bench）在补这些维度——基准换代是常态，我们每年会重审一次数据源组合。
数据说明
本栏目数据为引用式呈现：只引用关键分数与结论，每处标注来源、版本日期并附原文链接，不整表复制任何机构的榜单。
自动源（LMArena / SWE-bench / LiveBench）每周同步一次；Artificial Analysis 智能指数与价格表为人工核对录入，随更新日志标注核对日期。
分数 ≠ 你的体验。 各榜单口径不同、分数会随版本漂移，选型前建议结合自己的任务实测。
SWE-bench Verified版本 2026-02-26许可 MITSWE-bench Verified
作者： 花爪编辑部 · 审校： 花爪编辑部