编程能力排名是 claude fable5 > gpt sol extra > claude 4.8 吗？

个人感觉 kimi 3 和 GLM 5.2 比 GPT 写得好，但打不过 Claude 。参考编程能力排行榜

https://arena.ai/leaderboard/code/webdev

差不多 体感上是这样

体感好像是这么回事

@mmdsun 这个排行不靠谱，kimi3 排第 1 了。

4.8 快没法用了

这种直接看榜单就行了... 体感是没什么意义

https://arena.ai/leaderboard/agent

https://artificialanalysis.ai/models?intelligence=artificial-analysis-intelligence-index#intelligence

编程任务差不多是这样。但是其他任务就不一定了。

我经常使用 opus 和 gpt 进行互审，我的感受是 GPT 在细节上更好一点，opus 在整体架构上更好一点。

sol 前端太差了我都让 Claude 出前端样式再让 sol 改

For coding rankings, I would separate public leaderboard scores from actual workflow fit: frontend polish, code-review quality, latency, and context handling can move the order quite a bit. https://kimi3.org/benchmarks/?utm_source=v2ex&utm_medium=comment&utm_campaign=kimi3_org&utm_content=benchmarks_1229132 is a useful Kimi K3 reference for checking benchmark context and practical trade-offs against Claude and GPT-style models.

大项目编程能力看 DeppSWE
https://deepswe.datacurve.ai/

感觉得辨证着来👀这件事

我目前还在用 gpt-5.5 哈哈哈

榜单迟早要被玩坏，就和之前无数的榜单一样。上一个被搞坏的应该是手机相机的榜单吧？

评论说某某第一的，是三个模型都用过？

现在头部几个模型能力差不多了，还搞排名意义不大了。

T0：Fable 5 、GPT 5.6 sol 、Kimi K3
T1：opus-4.8 、GPT 5.5 、Grok 4.5
T2：muse-spark-1.1 、Gemini-3.6-flash 、GLM-5.2

@poxiaohy Fable 5 、GPT 5.6 sol 里的主要 thinking 模式之间呢？ 如果有 Fable 5(low, mid,high,...) 、GPT 5.6 sol(ultra) ， 到底应该用哪个来编程？

@blackantt 不同子模型能力得综合各种排行榜来评价。至于实际工作，每个人遇到的项目复杂度不一样，对需求复杂度评判标准也不一样，具体用什么模型，只能靠自己的体感去体验。比如有的人任务复杂，需求量大，那就直接上 claude 和 GPT 最强的；有的人追求快，不想被封，也有一定性能，那 grok 挺好的；有的人偏爱国产，那就上 Kimi 和 GLM 。有的人需求简单，DeepSeek-flash 都够用了。

@mmdsun 这个是前端

@Thiece #11 没仔细看，请问链接里的第一个表是不是考虑到了性价比？我看 sol 比 fable 也便宜太多了。

@mmdsun webdev 榜单混元排 16 、qwen3.7-max 排 20 ，ds-v4-pro-thinking 31 ，榜单和现实差距太大了

gpt5.6sol 我的感受是明显优于 5.5 的

@blackantt kimi 3 写代码要比实际好很多，但是要深度思考开最大、测评也是用的 max GLM5.2 也是。如果不开最大就很差，简直两个模型。 现在有中转站都混用国产模型和 GPT/Claude 写代码已经看不出来了。我们公司内部也准备搞个测试实验针对写代码的情况盲测。

@loshine1992 模型编程能力一般都是选用前端的，因为前端好观察、量化打分。并且现在前端工程也不是简单 html 页面了、工程化也复杂 用来评估模型代码能力没什么问题的。Agent Arena 排行 Kimi 3 就掉到第三了。另外已知 GLM 5.2 要开 max 模式，也就是最大深度思考才能比得过海外模型。kimi 3 估计送测也是 max 模式吧 虽然排行没有写 实际感觉还是 max 最大思考深度 才会聪明一些。

我反而觉得 fable 5 是不如 5.6 sol 的
上周我实验了好久，发现同样的 xhigh 的强度,
不使用任何 skill 的情况下，在使用相同的 agent.md 和 claude.md 的情况下
纯后端无任何前端 UI 的 swift 6 代码
新 feature 的情况下测试了十多次，fable 5 有概率写不出一次编译过的代码
大概出现了 3 4 次(先不管功能是否正确，只管写完的代码能否一次编译通过) 但是 5.6 sol 从来没遇到编译不过的
再和 UI 相关上，fable 就更是灾难，使用 /simplify 对 UI 部分的代码进行精简，结果就是精简完的代码完全改变了 UI 的样式，和交互逻辑。很自以为是，但是因为 codex 没有原生的 /simplify 就直接引用了 https://github.com/anthropics/claude-plugins-official/blob/main/plugins/code-simplifier/agents/code-simplifier.md 做了一些必要的修改后作为本地 skill 使用，结果比 fable 好太多了，不会出现 UI 被改变，交互被改坏的情况

@deplives 同感, 作为一个 iOS 开发, 从 gpt 5.5 以后的 iOS 代码, 不管是 swift 还是 OC 已经很少见到模型开发完成对应功能后(为省时间跟 token, 我 md 里强制要求改完代码后不要跑 build 检查), 编译有报错了, 使用其它模型, 还是能偶尔看到编译报错的情况

opus 4.8 现在排不到第 3 了；不差钱的话无脑开 max

感觉 Qwen3.8 Max 都比 5.5 强

体感 4.8 不如 4.6, 有些问题真的弱智到让我无语.