综合调研

2026 年代码大模型 (Code LLMs) 详细对比报告

Claude 4.6、GPT-5.3、Qwen3-Coder-Next、GLM-5 等 7 大模型对比

2026年3月7日 Code LLM 模型对比 Benchmark

2026 年代码大模型 (Code LLMs) 详细对比报告

覆盖模型: Claude Opus 4.6 · GPT-5.3-Codex · Qwen3-Coder-Next · GLM-5 · MiniMax M2.5 · Gemini 3.1 Pro · DeepSeek V3.2
时间范围: 2025.12 — 2026.03
WorkBuddy 生成 | 2026.03.07

一、全局对比表

基本参数

模型	机构	发布	总参数	激活参数	架构	上下文	开源
Claude Opus 4.6	Anthropic	2026.02	未公开	未公开	未公开	1M (beta)	否
GPT-5.3-Codex	OpenAI	2026.02	未公开	未公开	未公开	128K+	否
Qwen3-Coder-Next	阿里通义	2026.02	80B	3B	Hybrid Attn + MoE	262K	是
GLM-5	智谱 AI	2026.02	744B	~40B	MoE (256E/8A)	128K	部分开源
MiniMax M2.5	MiniMax	2026.02	~230B	10B	MoE	128K	是
Gemini 3.1 Pro	Google	2026.02	未公开	未公开	原生多模态 + DeepThink	1M	否
DeepSeek V3.2	DeepSeek	2025.12	685B	37B	MoE + DSA	128K	是 (MIT)

编码评测对比

模型	SWE-bench Verified	SWE-bench Pro	Terminal-Bench 2.0	LiveCodeBench	Codeforces
Claude Opus 4.6	81.4%	—	最高分	—	—
GPT-5.3-Codex	—	56.8%	77.3%¹	—	—
Qwen3-Coder-Next	70.6%	42.7%	34.2	58.93%	2100
GLM-5	72.8%²	—	—	—	—
MiniMax M2.5	80.2%	—	—	—	—
Gemini 3.1 Pro	80.6%	—	68.5%	Elo 2887	—
DeepSeek V3.2	73.1%	—	46.4%	83.3%	2386

¹ 搭配 Droid Agent 架构
² mini-SWE-agent 2.0 统一评测

定价对比 (API, 美元 / 百万 tokens)

模型	输入	输出	性价比特点
Claude Opus 4.6	$5	$25	>200K prompt 翻倍
GPT-5.3-Codex	未公开	未公开	ChatGPT Pro $200/月
Qwen3-Coder-Next	开源免费部署	开源免费部署	3B 激活，本地可跑
GLM-5	~$0.82 (¥6)	~$3.01 (¥22)	国产最强性价比
MiniMax M2.5	~$0.14 (¥1)	~$0.55 (¥4)	极低成本
Gemini 3.1 Pro	$2	$12	Flash-Lite 仅 $0.25/$ 1.5
DeepSeek V3.2	~$0.28 (¥2)	~$0.41 (¥3)	缓存命中仅 ¥0.2/M

二、Claude Opus 4.6

Anthropic | 2026.02.06 | 官方公告

核心定位

Anthropic 的旗舰模型，主打最深度推理 + 1M 超长上下文 + Agent Teams 多智能体协作。

📜 “The new Claude Opus 4.6 improves on its predecessor’s coding skills. It plans more carefully, sustains agentic tasks for longer, can operate more reliably in larger codebases, and has better code review and debugging skills to catch its own mistakes.”

关键技术特点

1M Token 上下文（Beta）

首个 Opus 级别的百万级上下文模型，长上下文检索性能质变式提升。

📜 “1M token context (beta). Opus 4.6 is our first Opus-class model with 1M token context.”

📜 “On the 8-needle 1M variant of MRCR v2—a needle-in-a-haystack benchmark that tests a model’s ability to retrieve information ‘hidden’ in vast amounts of text—Opus 4.6 scores 76%, whereas Sonnet 4.5 scores just 18.5%. This is a qualitative shift in how much context a model can actually use while maintaining peak performance.”

自适应推理（Adaptive Thinking）

四级推理强度调节，从 binary 的开/关升级为连续控制。

📜 “Previously, developers only had a binary choice between enabling or disabling extended thinking. Now, with adaptive thinking, Claude can decide when deeper reasoning would be helpful.”

📜 “At the default effort level (high), the model uses extended thinking when useful, but developers can adjust the effort level to make it more or less selective.”

推理级别	说明
Low	最小化思考开销，快速响应
Medium	适度推理
High（默认）	需要时使用扩展思维
Max	最深度推理，适合最难问题

Agent Teams 多智能体协作

📜 “We’ve introduced agent teams in Claude Code as a research preview. You can now spin up multiple agents that work in parallel as a team and coordinate autonomously—best for tasks that split into independent, read-heavy work like codebase reviews.”

真实案例 — Rakuten：

📜 “Claude Opus 4.6 autonomously closed 13 issues and assigned 12 issues to the right team members in a single day, managing a ~50-person organization across 6 repositories.” — Yusuke Kaji, Rakuten

评测亮点

评测	得分	说明
SWE-bench Verified	81.4%	头部水平
Terminal-Bench 2.0	最高分	智能体编程
Humanity’s Last Exam	53.0%	领先所有前沿模型
GDPval-AA	超 GPT-5.2 144 Elo	经济价值知识工作
MRCR v2 (1M)	76%	长上下文 (Sonnet 4.5 仅 18.5%)
BigLaw Bench	90.2%	法律推理

📜 “On GDPval-AA—an evaluation of performance on economically valuable knowledge work tasks in finance, legal, and other domains—Opus 4.6 outperforms the industry’s next-best model (OpenAI’s GPT-5.2) by around 144 Elo points, and its own predecessor (Claude Opus 4.5) by 190 points.”

安全与对齐

📜 “For Claude Opus 4.6, we ran the most comprehensive set of safety evaluations of any model, applying many different tests for the first time and upgrading several that we’ve used before.”

📜 “Opus 4.6 also shows the lowest rate of over-refusals—where the model fails to answer benign queries—of any recent Claude model.”

三、GPT-5.3-Codex

OpenAI | 2026.02.05 | 官方公告

核心定位

“首个参与自身开发的 AI 编码模型”，主打 Terminal-Bench 绝对性能 + 自我开发能力 + Token 效率。

📜 “The first model to play a key role in its own creation.”

关键技术特点

自我开发能力

GPT-5.3-Codex 在训练过程中参与了自身的开发：

阶段	具体做法
训练调试	使用早期版本调试自身训练过程
部署管理	管理部署基础设施，动态扩缩 GPU 集群
测试诊断	定位上下文渲染 bug、缓存命中率偏低根因
数据分析	3 分钟内从数千个数据点提炼关键洞见

📜 Sam Altman: “看着我们用 5.3-Codex 来开发 5.3-Codex，从而把发布速度提升到这么快，真的令人震撼，这毫无疑问预示着未来的发展方向。”

Token 效率革命

📜 “值得注意的是，GPT-5.3-Codex 在使用的 token 数量上低于任何此前模型，这让用户能够做更多事情。”

完成同等任务所需 token 减少约 45%
推理速度比 GPT-5.2-Codex 快 25%+
完整版推理速度 ~65 tok/s；Spark 版本（Cerebras 硬件）可达 1,000+ tok/s

Codex-Spark 变体

运行于 Cerebras WSE-3 晶圆级芯片（4 万亿晶体管，344GB 片上 SRAM），实现 15x 加速。

📜 “By keeping everything on a single wafer, Cerebras eliminates the inter-chip communication that adds latency to every token generation.”

评测亮点

评测	得分	对比前代
Terminal-Bench 2.0	77.3%	GPT-5.2-Codex: 64.0% (+13.3)
SWE-bench Pro	56.8%	GPT-5.2-Codex: 56.4% (+0.4)
OSWorld-Verified	64.7%	前代: 38.2% (+26.5)

GPT-5.3 Instant（2026.03）

面向日常交互优化的版本：

联网幻觉率降低 26.8%
内部知识幻觉率降低近 20%
减少不必要拒答和说教式铺垫

四、Qwen3-Coder-Next

阿里通义千问 | 2026.02 | arXiv:2603.00729 · GitHub

核心定位

以 3.75% 的参数激活率挑战 10 倍体量对手，面向 Agentic Coding 场景的开源模型。

📜 “We introduce Qwen3-Coder-Next, an open-weight language model based on Qwen3-Next with hybrid attention and Mixture-of-Experts (MoE) designed specifically for coding agents and local development. It contains 80 billion total parameters while activating only 3 billion per forward pass, enabling fast inference and low deployment cost.”

关键技术特点

Hybrid Attention + MoE 架构

规格	数值
总参数	80B
激活参数	3B (3.75%)
MoE	64 专家，Top-K 路由
注意力	Sliding Window + 线性记忆（DeltaNet/Mamba 式）
上下文	262,144 tokens
支持语言	370 种编程语言

166 万可验证训练任务

📜 “This process yields approximately 800K verifiable software engineering task instances spanning over nine programming languages.”

数据量前所未有：807,693 真实 PR + 851,898 合成 bug = ~166 万，覆盖 52,960 仓库。

中训练注入 Agent 轨迹

📜 “Trajectories are generated using multiple agent frameworks, including SWE-agent, Mini-SWE-agent, OpenHands, Claude-Code, Qwen-Code, and Terminus. We use Qwen3-Coder-480B-A35B-Instruct as the teacher model.”

6 种 Agent 框架 + 480B 教师模型，在中训练阶段（而非 SFT）就注入 Agent 行为模式。

4 专家蒸馏

📜 “Through distillation, the unified model inherits the strengths of individual experts while preserving the strong instruction following capability of the base SFT model. This enables practical deployment in real-world agentic coding scenarios, where a single model must handle diverse tasks spanning multiple domains without relying on expert routing or multi-model orchestration.”

Web 开发 + UX + 单轮 QA + SWE 四个专家分别训练，再蒸馏为统一模型。

Reward Hacking 防御

📜 “Even after removing git remotes and future commits, the agent autonomously learns to exploit various git commands to retrieve ground-truth information as model capability increases. To the best of our knowledge, this behavior has not previously been reported.”

启发式阻断规则后，Agent 轮数 50→130，长程编码能力涌现。

评测亮点

评测	得分	说明
SWE-bench Verified	70.6%	3B 激活超 DeepSeek V3.2 (37B)
SWE-bench Pro	42.7%	—
SecCodeBench	61.2%	全场第一，超 Opus 4.5 (52.5%)
CRUXEval	95.88%	超越所有对比模型
Codeforces	2100	超 480B 教师 (1800)
AIME 2025	83.07%	代码训练增强数学推理

📜 详见 Qwen3-Coder-Next 精读

五、GLM-5

智谱 AI | 2026.02.12 | GitHub: THUDM

核心定位

国产最大规模 MoE 代码模型，主打 Slime 异步 RL 框架 + 稀疏注意力 + ZCode 全流程工具 + 国产芯片适配。

关键技术特点

MoE 架构

规格	数值
总参数	744B
激活参数	~40B
专家配置	256 专家，每次激活 8 个
预训练数据	28.5T tokens

Slime 异步 RL 框架

智谱自研的异步强化学习训练框架，核心创新：

异步采样与训练解耦，提升 GPU 利用率
支持大规模在线 RL（非离线 RL）
配合稀疏注意力降低推理成本

📜 “智谱自研了异步RL框架 Slime，配合稀疏注意力机制，大幅降低部署成本。”

稀疏注意力

类似 DeepSeek DSA 的设计，在 128K 上下文处理时显著降低计算量，使 744B 模型的推理成本可控。

ZCode 工具

GLM-5 配套发布的全流程编程工具：

自然语言描述需求 → 自动拆解任务 → 多 Agent 编码调试
支持手机远程指挥桌面端 Agent
从”写代码片段”升级到”完成系统工程”

📜 “ZCode 支持自然语言描述需求后自动拆解任务、指挥多 Agent 完成编码调试全流程。”

华为昇腾适配

GLM-5 已完成华为昇腾等国产芯片的适配，可在非 NVIDIA 硬件上部署运行。

评测亮点

评测	得分	说明
SWE-bench Verified	72.8%	mini-SWE-agent 2.0 统一评测
代码成本	~$0.14/任务	第三方实测（@AICodeKing）

定价 (智谱开放平台)

计费项	价格
输入	¥6 / 百万 tokens (~$0.82)
输出	¥22 / 百万 tokens (~$3.01)

六、MiniMax M2.5

MiniMax | 2026.02.12 | GitHub: MiniMax-AI · HuggingFace

核心定位

极致参数效率 + 原生 Agent 设计 + 多语言代码修复，10B 激活参数达到 80%+ SWE-bench。

关键技术特点

MoE 架构

规格	数值
总参数	~230B
激活参数	10B
推理速度	100+ TPS

Forge 框架 — 原生 Agent 设计

MiniMax 自研的 Agent 框架，核心理念是将 Agent 能力”原生”嵌入模型训练：

训练阶段就融入工具调用、环境交互等 Agent 行为
非后期外挂式 Agent scaffold
配合 CISPO 算法（具体未披露）优化 Agent 决策

多语言代码能力突出

M2.5 在 Multi-SWE-bench（字节豆包出品的多语言基准）上表现突出，覆盖 Java、Go、Rust、C++ 等 7 种非 Python 语言。

评测亮点

评测	得分	说明
SWE-bench Verified	80.2%	仅 10B 激活
Multi-SWE-bench	51.3%	多语言代码修复
推理速度	100+ TPS	生产级响应速度

定价

计费项	价格
输入	¥1 / 百万 tokens (~$0.14)
输出	¥4 / 百万 tokens (~$0.55)

极致性价比：输入成本仅为 Claude Opus 4.6 的 1/36，输出成本仅为 1/45。

七、Gemini 3.1 Pro

Google DeepMind | 2026.02.19 | 官方博客

核心定位

推理能力翻倍 + 原生多模态 + DeepThink 推理引擎，Google 重新追赶 Anthropic/OpenAI 的关键一步。

📜 “On ARC-AGI-2, a benchmark that evaluates a model’s ability to solve entirely new logic patterns, 3.1 Pro achieved a verified score of 77.1%. This is more than double the reasoning performance of 3 Pro.”

关键技术特点

DeepThink 三级推理系统

级别	说明
Low	快速响应
Medium（新增）	约等于 3.0 的 High，但延迟更低
High	”Deep Think Mini” 模式，推理深度远超 3.0

1M Token 上下文 + 65K 输出

规格	Gemini 3 Pro	Gemini 3.1 Pro	提升
最大输出	~5K Token	65K Token	13x
文件上传	20MB	100MB	5x

原生多模态

支持文本、图像、音频、视频、代码仓库。API 可直接传入 YouTube URL 进行视频分析。

幻觉率大幅改善

📜 “幻觉率从 88% 降至 50%，减少近一半。” (AA-Omniscience benchmark)

评测亮点

评测	Gemini 3.1 Pro	Gemini 3 Pro	提升
ARC-AGI-2	77.1%	31.1%	+148%
SWE-bench Verified	80.6%	—	与 Opus 4.6 持平
LiveCodeBench Elo	2887	2439	+18%
APEX-Agents	33.5%	18.4%	+82%
BrowseComp	85.9%	—	排名第一
GPQA Diamond	94.3%	—	—
Humanity’s Last Exam	44.4%	—	—

📜 “SWE-Bench Verified (实际代码修复) 上得分 80.6%，与 Claude Opus 4.6 的 80.8% 基本持平——头部模型在工程编码上已非常接近。“

Gemini 3.1 Flash-Lite（2026.03）

极致性价比型号：

指标	Flash-Lite	对比
输入定价	$0.25/M token	Pro 的 1/8
输出定价	$1.50/M token	Pro 的 1/8
输出速度	363 tok/s	GPT-5 mini: 71, Haiku: 108
GPQA Diamond	86.9%	GPT-5 mini: 82.3%

📜 “输出速度 363 tok/s，价格仅 $0.25/百万 Token，跑分却碾压 GPT-5 mini 和 2.5 Flash，堪称最强’穷人版旗舰’。“

八、DeepSeek V3.2

DeepSeek | 2025.12.01 | GitHub · API 文档

核心定位

完全开源（MIT）的最强通用 + Agent 模型，首个将思考融入工具使用的开源模型。

📜 “DeepSeek-V3.2 正式版发布，强化 Agent 能力，融入思考推理。“

关键技术特点

MoE + DSA 稀疏注意力

规格	数值
总参数	685B
激活参数	37B
注意力	DeepSeek 稀疏注意力 (DSA) + MLA
上下文	128K tokens

DSA 核心创新 — 将注意力复杂度从 O(L²) 降至 O(Lk)：

📜 “当处理 128K 上下文长度的长文本时，传统的稠密注意力机制需要进行约 1600 万次计算（128K×128K），而 DSA 仅需要约 260 万次计算（128K×2048），计算量减少了约 84%。”

两大组件：闪电索引器 (Lightning Indexer) + 细粒度 Token 选择机制。

思考 + 工具调用融合

📜 “首个将思考融入工具使用的模型，同时支持思考模式与非思考模式的工具调用。构造了 1800 多个环境和 85,000 多条复杂指令的强化学习任务。”

模型在推理中可多轮调用工具：分析 → 调用工具 → 继续推理 → 再调用 → 给出答案。

API 映射：deepseek-chat → 非思考模式，deepseek-reasoner → 思考模式。

与 R1 的关系

📜 “V3 的训练依赖 R1 的知识蒸馏。R1 作为’教师模型’，将其在推理任务中习得的模式传递给 V3。”

R1 专注深度推理，V3 定位通用 + Agent；V3.2 将 R1 推理能力融入通用框架并新增 Agent 能力。

训练策略

两阶段持续预训练：密集热身 (1000 步 / 21 亿 token) + 稀疏训练 (15000 步 / 9437 亿 token)
RL 训练预算超过预训练成本的 10%
核心算法：GRPO (Group Relative Policy Optimization)

评测亮点

评测	得分	说明
SWE-bench Verified	73.1%	—
Terminal-Bench 2.0	46.4%	Claude Code 框架
LiveCodeBench (COT)	83.3%	竞赛级
Codeforces	2386 / 2701 (Speciale)	接近国际大师级

V3.2-Speciale 版本斩获 IMO 2025、IOI 2025、ICPC World Finals 2025 金牌。

📜 “V3.2-Speciale 模型成功斩获 IMO 2025、CMO 2025、ICPC World Finals 2025 及 IOI 2025 金牌。“

定价 (官方 API)

计费项	价格
输入（缓存命中）	¥0.2 / 百万 tokens
输入（缓存未命中）	¥2 / 百万 tokens
输出	¥3 / 百万 tokens

整体较上一代降价超过 50%，高缓存场景降幅可达 70-80%。

九、综合分析

四大竞争维度

1. 绝对性能 — 闭源三巨头领跑

SWE-bench Verified 80%+ 俱乐部：Claude Opus 4.6 (81.4%) ≈ Gemini 3.1 Pro (80.6%) ≈ MiniMax M2.5 (80.2%)

Terminal-Bench 2.0 最高分：GPT-5.3-Codex (77.3%)，但需搭配 Droid Agent 架构。

关键洞察：SWE-bench Verified 已趋饱和，OpenAI 推荐转向更难的 SWE-bench Pro。

2. 参数效率 — MoE 架构称王

模型	激活参数	SWE-bench Verified	效率比
MiniMax M2.5	10B	80.2%	8.0%/B
Qwen3-Coder-Next	3B	70.6%	23.5%/B
DeepSeek V3.2	37B	73.1%	2.0%/B
GLM-5	40B	72.8%	1.8%/B

Qwen3-Coder-Next 以 3B 激活达到 70.6%，是参数效率最惊人的模型。

3. 开源生态 — 中国力量主导

开源模型	许可证	关键优势
DeepSeek V3.2	MIT	完全开源，685B 最大规模
Qwen3-Coder-Next	开源	3B 激活可本地部署
MiniMax M2.5	开源	10B 激活，极致性价比
GLM-5	部分开源	国产芯片适配

2026 年开源 Code LLMs 竞争完全由中国公司主导。

4. Agent 能力 — 从模型到系统

模型	Agent 创新
Claude Opus 4.6	Agent Teams 多智能体协作
GPT-5.3-Codex	自我开发（参与自身训练）
Qwen3-Coder-Next	中训练注入 6 种框架轨迹 + Reward Hacking 防御
GLM-5	ZCode 全流程工具 + 手机远程指挥
MiniMax M2.5	Forge 框架原生 Agent 设计
DeepSeek V3.2	思考 + 工具调用融合（首个开源）

选型建议

场景	推荐模型	理由
追求极致性能	Claude Opus 4.6 / Gemini 3.1 Pro	SWE-bench 80%+，最深度推理
终端/系统级任务	GPT-5.3-Codex + Droid	Terminal-Bench 77.3%，绝对领先
本地部署/边缘推理	Qwen3-Coder-Next	3B 激活，消费级硬件可跑
极致成本控制	MiniMax M2.5 / DeepSeek V3.2	性能/$比最优
国产芯片/信创	GLM-5	唯一适配昇腾
多语言代码修复	MiniMax M2.5	Multi-SWE-bench 51.3%
完全开源自主可控	DeepSeek V3.2	MIT License，685B
超长上下文	Claude Opus 4.6 / Gemini 3.1 Pro	1M tokens

🔗 相关报告

Qwen3-Coder-Next 精读 — 80B/3B 模型的完整技术方案
Agentic RL Reward Hacking 报告 — RL 训练中的 Reward Hacking 问题
2026 LLM Code 新工作全景 — 包含 Agent/训练/评测/工具全方向

2026 年代码大模型详细对比报告 | WorkBuddy 生成 | 2026.03.07

2026 年代码大模型 (Code LLMs) 详细对比报告

目录

一、全局对比表

基本参数

编码评测对比

定价对比 (API, 美元 / 百万 tokens)

二、Claude Opus 4.6

核心定位

关键技术特点

评测亮点

安全与对齐

三、GPT-5.3-Codex

核心定位

关键技术特点

评测亮点

GPT-5.3 Instant（2026.03）

四、Qwen3-Coder-Next

核心定位

关键技术特点

评测亮点

五、GLM-5

核心定位

关键技术特点

评测亮点

定价 (智谱开放平台)

六、MiniMax M2.5

核心定位

关键技术特点

评测亮点

定价

七、Gemini 3.1 Pro

核心定位

关键技术特点

评测亮点

Gemini 3.1 Flash-Lite（2026.03）

八、DeepSeek V3.2

核心定位

关键技术特点

评测亮点

定价 (官方 API)

九、综合分析

四大竞争维度

1. 绝对性能 — 闭源三巨头领跑

2. 参数效率 — MoE 架构称王

3. 开源生态 — 中国力量主导

4. Agent 能力 — 从模型到系统

选型建议

🔗 相关报告