最佳编程AI模型

使用SWE-bench Verified、HumanEval和BigCodeBench评分对AI模型的编程能力进行排名。未进行基准测试的模型使用Arena Elo回退。

Last updated: 51m ago

第一名模型

Claude Opus 4.6

评分: 83.9

平均评分

58.8

所有排名模型

已排名模型

有基准测试数据

权重：SWE-bench Verified (40%)HumanEval (30%)BigCodeBench (30%)备选： Arena Elo

Top Best for Coding Models by Weighted Score

Top 15 models by weighted score

LMMarketCap.com

Benchmark Breakdown

Per-benchmark scores for top 10 models

SWE-bench Verified

HumanEval

BigCodeBench

LMMarketCap.com

#	模型	提供商	评分	SWE-bench Verified	HumanEval	BigCodeBench	Arena Elo
1	Claude Opus 4.6Anthropic	Anthropic	83.9	83.7	96	72.1	--
2	Claude Sonnet 4.6Anthropic	Anthropic	80.9	79.6	95.2	68.4	--
3	GPT-5.4OpenAI	OpenAI	78.7	80	97.5	--	--
4	Claude Opus 4.5Anthropic	Anthropic	78.3	80.9	95.2	--	--
5	GPT-5.2OpenAI	OpenAI	77.5	78	97	--	--
6	GPT-5.1OpenAI	OpenAI	76.7	76.5	96.8	--	--
7	Claude Sonnet 4.5Anthropic	Anthropic	76.2	77.2	94.5	--	--
8	Claude Fable 5Anthropic	Anthropic	76	95	--	--	--
9	GPT-5OpenAI	OpenAI	75.8	75	96.5	--	--
10	Gemini 3 Flash PreviewGoogle	Google	75.6	78	92	--	--
11	o3OpenAI	OpenAI	74.3	71.7	97	--	--
12	Claude Haiku 4.5Anthropic	Anthropic	71.8	--	89.8	--	--
13	GPT-5.5OpenAI	OpenAI	71	88.7	--	--	--
14	GPT-5.5 ProOpenAI	OpenAI	71	88.7	--	--	--
15	Claude Opus 4.8Anthropic	Anthropic	70.9	88.6	--	--	--
16	Claude Opus 4.7Anthropic	Anthropic	70.1	87.6	--	--	--
17	GPT-4o-miniOpenAI	OpenAI	69.8	--	87.2	--	--
18	Gemini 2.5 FlashGoogle	Google	65.8	60.4	90	--	--
19	Gemini 3.1 Pro PreviewGoogle	Google	64.5	80.6	--	--	--
20	Llama 4 MaverickMeta	Meta	62.6	--	89.5	49.7	--
21	Llama 3.3 70B InstructMeta	Meta	60.9	--	88.4	46.9	--
22	GPT-4OpenAI	OpenAI	60.5	--	88.4	46	--
23	Command A(回退)Cohere	Cohere	60	--	--	--	60
24	DeepSeek V3.2(回退)DeepSeek	DeepSeek	60	--	--	--	60
25	Gemini 3.5 Flash(回退)Google	Google	60	--	--	--	60
26	GPT-4.1OpenAI	OpenAI	58.8	54.6	91.5	31.8	--
27	Phi 4Microsoft	Microsoft	57.6	--	82.6	45.5	--
28	Llama 3.1 70B InstructMeta	Meta	57	--	80.5	46.1	--
29	DeepSeek V3DeepSeek	DeepSeek	56.6	42	82.6	50	--
30	Gemma 2 27BGoogle	Google	55.6	--	69.5	--	--
31	Mistral LargeMistral AI	Mistral AI	54.9	--	92	30	--
32	GPT-4oOpenAI	OpenAI	54.7	30.8	90.2	51.1	--
33	DeepSeek V3 0324DeepSeek	DeepSeek	50.5	--	84.5	27.7	--
34	R1 0528DeepSeek	DeepSeek	46.1	57.6	--	--	--
35	Llama 3.1 8B InstructMeta	Meta	46	--	69.5	32.8	--
36	Gemini 2.5 ProGoogle	Google	44.3	63.8	--	29.7	--
37	Llama 4 ScoutMeta	Meta	40.9	--	74.1	16.9	--
38	GPT-4.1 MiniOpenAI	OpenAI	39.1	--	--	48.9	--
39	GPT-4o (2024-11-20)OpenAI	OpenAI	38.4	--	--	48	--
40	GPT-4o-mini (2024-07-18)OpenAI	OpenAI	36.9	--	--	46.1	--
41	Command R+ (08-2024)Cohere	Cohere	29.7	--	--	37.1	--
42	GPT-4.1 NanoOpenAI	OpenAI	22.7	--	--	28.4	--
43	Llama 3.2 3B InstructMeta	Meta	18.7	--	--	23.4	--
44	Llama 3.2 1B InstructMeta	Meta	6.6	--	--	8.2	--

评分计算方式

每个模型的评分是其可用基准测试结果的加权平均值。当模型缺少某些基准测试时，权重会在可用的基准测试之间重新归一化。没有任何主要基准测试数据的模型将回退到Arena Elo（归一化到0-100）并相应标记。所有评分均为0-100的刻度。数据来源于官方模型卡片、已发表论文和第三方评估平台。

其他专业排行榜

数学最佳推理最佳写作最佳指令遵循最佳数据分析最佳角色扮演最佳多语言最佳

Frequently Asked Questions

根据我们的基准测试分析，Anthropic的Claude Opus 4.6目前在Coding领域排名第一，加权评分为83.9/100。

模型使用SWE-bench Verified、HumanEval、BigCodeBench基准测试分数的加权平均进行排名。没有主要基准测试数据的模型会回退到Arena Elo。所有分数均归一化到0-100的刻度。

我们目前对44个拥有相关基准测试数据的模型进行了Coding任务排名。