2026/10/1 编程模型推荐 推理强度越高一定越好？

省流版：（基于以下评测）

• 最新模型Opus 5.5，GPT-6.1 Sol 的确效率高，但思考强度选Medium就好， 效果好还省钱


• 穷逼严选：GPT-6 Luna +思考强度Max


• 国产看看Kimi K3和GLM 5.3 flash

评测原文： FrontierCode Leaderboard | Cognition

以下为手写版。AI润色版稍后发公众号。

Cognition公司（Devin开发商）发布了其FrontierCode 1.1的最新排行榜，加入了新鲜出炉的GPT-6.1 Sol以及Claude Sonnet 5.5的评测结果。

FrontierCode专注于代码正确性和代码质量，也是第一个衡量可合并性的基准：代码维护者是否愿意合并这个AI生成的PR？

我们的标准使用一系列评分技术（包括单元测试、评分标准和新型验证器）来评估端到端代码质量（正确性、测试质量、范围规范、风格和对代码库标准的遵守情况）。

每个任务都由其所属开源仓库的维护者精心打造：20 多位世界一流的开发者构建了真实、多样化且具有挑战性的任务，每个任务耗时超过 40 小时，并且他们定义了各自仓库中“可合并”的含义。由于评分标准具有主观性，我们构建了一套完善的质量控制流程，包括对抗性测试、校准和多阶段审查，其中每个任务都由认知研究员进行人工审核。

FrontierCode还限制了互联网的使用。模型可以像工程师一样使用互联网，例如阅读文档和搜索错误信息，但任何访问包含解决方案的来源（例如原始拉取请求）的运行都会被检测到，并被评为零分。

除了给大模型的代码质量打分之外，该评测也列出了任务平均token费用，让我们来看看目前哪款模型“质价比”最高？

先上一个评测结果全家福。纵轴为根据评分标准各项指标的加权总分，横轴为每次任务的平均美元支出。即左上角的模型效率最高，右下角最低。

从这份评测结果里我们首先可以获得一个反直觉的结论：模型思考强度越高token消耗一定更多，但代码质量未必更好。比如Opus-5，Opus-5.5，GPT-6.1 Sol等模型的Medium思考强度都比Max分数更高，任务费用也更低。

第一梯队：Opus 5.5 medium以54.6%的最高分略微领先GPT-6 Astra max，从分数上看差距很小，而且Opus 5.5 思考强度为medium，平均费用仅为GPT-6 Astra max的17%，质价比不可思议的断层领先。

A社其他模型：Sonnet 5.5相比Opus 5.5似乎并不划算，唯一值得一用的是Sonnet 5.5 high，得分落后Opus 5.5 5个点，但费用节省一半。Fable 5/5.1目前已不值得使用，得分被Opus 5.5压制，且费用高很多。

再来看看OpenAI家：GPT-6.1 Sol medium的表现在第二梯队非常抢眼，平均费用显著低于分数更低的众多模型。 虽然分数比GPT-6 Astra max低一些，但是费用只有前者的8%啊，还要什么自行车。

而在成本敏感的场景，GPT-6 Luna max则是秒杀一切的存在，以全场最低的$0.1平均运行费用牢牢把控得分排行榜的中段位置。

Gemini和Grok家则都出现了新模型退步的状况。Gemini 3.7 Flash好过Gemini 3.8 Flash，Grok 4.6好过Grok 4.7。还是期待一下Gemini 4 pro能否有惊喜吧。

至于国产模型，目前的最强者是Kimi K3，能力略逊于Opus 4.8 max但强过GPT-5.5 xhigh 和 Sonnet 5 xhigh，费用也有一定的优势，值得鼓励！

GLM 5.3 flash Max分数为31.8%，平均花费$1.15,在国产中有一定性价比。

其他几位选手表现就不不尽如人意了，GLM 5.3 max偏贵，Deepseek，MiniMax M3得分较低。可惜的是，评测中并未加入最新的Deepseek v4.1 flash以及Qwen 3.8。另外评测时国产模型采用的都不是自家的Code CLI，也可能一定程度上影响分数。

最后总结一下，根据这份评测推荐编程模型如下：

• Anthropic 用户：优先考虑 Claude Opus 5.5，推理强度选择 medium。


• OpenAI 用户：优先考虑 GPT-6.1 Sol，medium 模式在成本和质量之间取得了较好平衡。


• 成本优先：可以考虑 GPT-6 Luna，使用 max 模式获得极低的单次任务成本。


• 国产模型：优先关注 Kimi K3；对成本更加敏感时，可以考虑 GLM 5.3 Flash。