基本信息

来源摘要/节选

公开展示已截断至最多 800 个字符；请访问原始来源查看完整上下文。

序 我主要用途是 ai coding，从各种渠道获取到了很多 不同的大模型排序 最多的是 opus 4.6 > k2.5 > glm5 > sonnet4.5 > m2.5 但是我 希望从自身实践的角度 进行测试，我把所有的平台都办了月卡 我在这个基础上 添加了deepseek v3 结论 确实opus 4.6 更适合 ai coding glm5 可能是真的因为 资源不够，感觉降智，速度也慢，前两天 他们 发通知，寻求资源，目前可能不推荐 调研 我从 📊 评审维度明细：

  1. 代码生成能力（权重40%） 测试目标 ：模型独立完成指定功能代码的能力 测评数据集：HumanEval 经典编程题（抽样10题） 核心指标： Pass@1 （一次生成代码直接通过所有测试用例的比例） 评分逻辑：题目完全通过得10分，失败得0分 实测结果：DeepSeek 10/10（100%通过），Kimi 2/10（20%通过）
  2. Debug修复能力（权重35%） 测试目标 ：模型排查和修复代码问题的能力 测评数据集：DebugBench 真实bug场景（抽样9题） 覆盖Bug类型：语法错误、逻辑错误、性能优化三类 核心指标：Bug修复通过率 评分逻辑：成功修复得10分，修复失败/引入新问题得0分 实测结果：DeepSeek 9/9（100%通过），Kimi 7/9（77.8%通过）
  3. 代码重构/项目理解能力（权重25%） 测试目标 ：模型对复杂项目的理解和工程化能力 测评题目：手工设计的企业级真实场景（10题） 覆盖题型： 读懂代码意图 函数拆分重构 接口改造升级 单元测试生成 跨文件依赖问题排查 评分维度：每道题从**正确性(40%)、可读性(30%)、完整性(30%)**三个角度综合打分（满分10分） 实测结果：DeepSeek 平均9.2/10，Kimi 平均9.0/10 4.…

来源说明

当前只保存了公开页面节选，不代表原文全文。请以原始来源为准。

本页只呈现已做哈希绑定的来源证据，不包含基于旧正文或缺失原文的扩展推断。