综合调研

2026 年 LLM Code 方向新工作全景

代码大模型、Agentic Coding、训练方法、评测基准、工具基础设施全景覆盖

Code LLM 全景综述

2026 年 LLM Code 方向新工作全景

时间跨度: 2026.01 — 2026.03
覆盖范围: 代码大模型、Agentic Coding、训练方法、评测基准、代码推理、工具基础设施
WorkBuddy 生成 | 2026.03.07

目录

  1. 代码大模型 (Code LLMs)
  2. Agentic Coding / SWE Agent
  3. 训练方法创新
  4. 评测基准
  5. 代码生成与推理
  6. 工具与基础设施
  7. 趋势总结

一、代码大模型 (Code LLMs)

1.1 Claude Opus 4.6

  • 机构 / 时间: Anthropic, 2026.02
  • 核心贡献: 100 万 token 上下文窗口；MRCR v2 检索准确率从 18.5% 跃升至 76%；ARC-AGI 2 提升 83%；SWE-bench Verified 达 80.8%；支持 Agent Teams 多智能体协作
  • 引用: Anthropic 官方公告

1.2 GPT-5.3-Codex

  • 机构 / 时间: OpenAI, 2026.02
  • 核心贡献: 号称”首个参与自身开发的 AI 编码模型”；Terminal-Bench 2.0 从 64% 跃升至 77.3%；SWE-bench Pro 达 56.8%；推理速度比前代快 25%
  • 引用: OpenAI GPT-5.3-Codex-Spark 公告

1.3 GPT-5.3 Instant

  • 机构 / 时间: OpenAI, 2026.03
  • 核心贡献: 即时响应版本，面向日常交互优化，减少过度谨慎问题，向所有 ChatGPT 用户和 API 开发者开放
  • 引用: OpenAI GPT-5.3 Instant 公告

1.4 Qwen3-Coder-Next

  • 机构 / 时间: 阿里通义千问, 2026.02
  • 核心贡献: 基于 Qwen3-Next-80B-A3B-Base，总参 80B 但激活仅 3B (MoE)；混合注意力架构（Sliding Window + 线性记忆）；262K 上下文；166 万可验证任务训练；SWE-bench Verified 70.6%；开源 Base + Instruct
  • 引用: arXiv:2603.00729 · GitHub: QwenLM/Qwen3-Coder

1.5 GLM-5

  • 机构 / 时间: 智谱 AI, 2026.02
  • 核心贡献: 744B 参数（激活 40B）；预训练数据 28.5T tokens；异步 RL 框架 “Slime” + 稀疏注意力；代理编程评测开源第一，代码成本仅 $0.14/任务；适配华为昇腾；配套发布 ZCode 工具，从”写片段”升级到”完成系统工程”
  • 引用: GitHub: THUDM · HuggingFace: THUDM

1.6 MiniMax M2.5

  • 机构 / 时间: MiniMax, 2026.02
  • 核心贡献: 激活参数仅 10B；SWE-bench Verified 80.2%；Multi-SWE-bench 51.3%；推理速度超 100 TPS；原生 Agent 生产级模型
  • 引用: GitHub: MiniMax-AI · HuggingFace: MiniMaxAI

1.7 Gemini 3.1 Pro / Flash-Lite

  • 机构 / 时间: Google DeepMind, 2026.02-03
  • 核心贡献: Gemini 3.1 Pro 推理能力翻倍升级（Preview 开放）；Flash-Lite 极致性价比，百万输入 token 仅 $0.25
  • 引用: Google DeepMind 博客

1.8 DeepSeek V3.2

二、Agentic Coding / SWE Agent

2.1 Anthropic 2026 Agentic Coding 趋势报告

  • 机构 / 时间: Anthropic, 2026.02
  • 核心贡献: 18 页重磅报告，提出 6 大趋势：多 Agent 协同取代单体 Agent、长时运行 Agent 构建完整系统、人类从编码者变为”指挥官”、非技术人员也能用 Agent 开发应用、代码审查与安全升级、基础设施向 Agent-native 演进
  • 引用: Anthropic 趋势报告 PDF

2.2 Claude Code Agent Teams

  • 机构 / 时间: Anthropic, 2026.02
  • 核心贡献: Claude Code 支持多智能体协作——编排者 Agent 拆解任务，多个专家 Agent 并行处理架构设计、编码、测试等工作
  • 引用: Claude Code Agent Teams 文档

2.3 OpenAI Codex CLI v2.1

  • 机构 / 时间: OpenAI, 2026.02
  • 核心贡献: Rust 构建的命令行 AI 编程代理；支持 GPT-4.1 和 o4-mini；MCP 2.0 协议集成；200K+ token 超长上下文；多级沙箱隔离；跨平台原生支持
  • 引用: GitHub: openai/codex

2.4 Droid (Factory AI)

  • 机构 / 时间: Factory AI, 2026.02
  • 核心贡献: Terminal-Bench 2.0 排名第一 (77.3%)，搭配 GPT-5.3-Codex，证明了 Agent 架构设计比单纯模型选择更重要
  • 引用: Factory AI — Terminal-Bench 公告

2.5 DeepSWE

  • 机构 / 时间: Agentica (UC Berkeley), 2026 初
  • 核心贡献: 基于 Qwen3-32B，纯强化学习训练的开源代码 Agent；SWE-bench 准确率 59%（开源 SOTA）；使用 rLLM 框架在 64 块 H100 上训练；证明纯 RL（无需 SFT 预热）可大幅提升代码 Agent 能力；全部开源
  • 引用: HuggingFace: agentica-org/DeepSWE-Preview · GitHub: rLLM 训练框架

2.6 OpenCode

  • 机构 / 时间: SST 开源社区, 2026.02
  • 核心贡献: 开源 AI Coding Agent，GitHub 99.8K Star，月活 250 万+ 开发者；支持 75+ 模型供应商；MIT 许可；独创 Plan/Build 架构；支持终端、IDE、桌面端三种使用方式
  • 引用: GitHub: anomalyco/opencode

2.7 GitHub Copilot CLI 更新

  • 机构 / 时间: GitHub, 2026.01
  • 核心贡献: 引入 4 个专用 Agent 并行执行；95% token 上限时自动压缩；Pro 用户支持持久记忆
  • 引用: GitHub: github/copilot-cli

2.8 OpenHands

  • 机构 / 时间: All-Hands-AI, 持续活跃至 2026.03
  • 核心贡献: 6193+ commits 的活跃开源 AI 开发平台，支持多种模型后端，持续迭代
  • 引用: GitHub: All-Hands-AI/OpenHands

2.9 mini-SWE-agent 2.0

三、训练方法创新

3.1 rLLM 框架

  • 机构 / 时间: Agentica, 2026.02
  • 核心贡献: 开源的语言 Agent 强化学习后训练框架，支持自定义 Agent 和环境；用于训练 DeepSWE 等模型；证明纯 RL 可大幅提升代码 Agent 能力
  • 引用: GitHub: rllm-org/rllm

3.2 Co-rewarding

  • 机构 / 时间: TMLR Group, ICLR 2026
  • 核心贡献: 自监督 RL 框架，通过互补监督信号提升训练稳定性，解决推理训练中的训练崩溃和平凡解问题；三个实例化方案（数据交叉引用、模型自蒸馏、组合方案）
  • 引用: arXiv:2508.00410 · GitHub: tmlr-group/Co-Reward

3.3 智谱 Slime 框架

  • 机构 / 时间: 智谱 AI, 2026.02
  • 核心贡献: 异步强化学习框架，用于 GLM-5 训练，配合稀疏注意力机制，大幅降低部署成本
  • 引用: GitHub: THUDM（随 GLM-5 发布）

3.4 RAGEN

  • 机构 / 时间: mll-lab (Northwestern), 持续至 2026.02
  • 核心贡献: 利用强化学习训练 LLM 推理 Agent 在交互式随机环境中工作，支持 2048、Rubik’s Cube 等新环境
  • 引用: GitHub: ZihanWang314/ragen · 项目主页

3.5 EigenData + 可验证奖励 RL

  • 机构 / 时间: 2026.01
  • 核心贡献: 统一框架——自进化数据合成 + 基于验证器的 RL，用于后训练多轮交互式工具使用 Agent；层级化多 Agent 引擎合成工具基础对话并生成可执行的实例级检查器
  • 引用: arXiv:2601.22607

3.6 Proxy State-Based Evaluation

  • 机构 / 时间: 2026.02
  • 核心贡献: 面向多轮工具调用 LLM Agent 的可扩展可验证奖励方案，提出基于代理状态的评估方法，解决完全确定性后端构建成本高的问题
  • 引用: arXiv:2602.16246

四、评测基准

4.1 SWE-bench Verified 2.0 评测体系

  • 机构 / 时间: Princeton + SWE-agent 团队, 2026.02
  • 核心贡献: 使用 mini-SWE-agent 2.0 统一评测所有模型。当前排行：Claude 4.5 Opus (high reasoning) 76.8% > Gemini 3 Flash 75.8% = MiniMax M2.5 75.8% > Claude Opus 4.6 75.6% > GPT-5-2 Codex 72.8% = GLM-5 72.8%
  • 引用: SWE-bench 官方排行榜 · GitHub: swe-bench/SWE-bench

4.2 SWE-bench Pro

  • 机构 / 时间: Scale AI (OpenAI 推荐), 2026
  • 核心贡献: OpenAI 宣布 SWE-bench Verified 已无法区分前沿模型，推荐 SWE-bench Pro 作为更难替代评测；GPT-5.3-Codex 在 Pro 上达 56.8%
  • 引用: arXiv:2509.16941 · GitHub: scaleapi/SWE-bench_Pro-os

4.3 SWE-bench Live

  • 机构 / 时间: Microsoft, NeurIPS 2025 D&B → 持续更新至 2026.02
  • 核心贡献: 从真实 GitHub 持续收集新问题，避免数据污染，提供动态更新的评测集
  • 引用: GitHub: microsoft/SWE-bench-Live

4.4 Terminal-Bench 2.0

  • 机构 / 时间: Laude Institute / Terminal-Bench 团队, 2026
  • 核心贡献: 评估自主 AI Agent 在真实终端任务上的表现。当前排行：Droid + GPT-5.3-Codex 77.3% > Simple Codex 75.1%；配套发布 Harbor 运行框架
  • 引用: Terminal-Bench 排行榜 · GitHub: laude-institute/terminal-bench

4.5 Multi-SWE-bench

4.6 SWE-World

  • 机构 / 时间: 中国人民大学 RUCAIBox, 2026.02-03
  • 核心贡献: 将 SWE-bench 转化为可用于 RL 训练的环境 (SWE-World)，支持 DeepSWE_RL 和 SFT 训练（2026.03.02 最新更新）
  • 引用: GitHub: RUCAIBox/SWE-World

4.7 LiveCodeBench

  • 机构 / 时间: 持续更新
  • 核心贡献: 从 LeetCode、AtCoder、CodeForces 竞赛平台持续收集新题，提供无数据污染的代码生成评估，覆盖代码生成、自修复、执行预测等多维度
  • 引用: LiveCodeBench 主页 · GitHub: LiveCodeBench/LiveCodeBench

五、代码生成与推理

5.1 Claude Opus 4.6 自适应推理

  • 机构 / 时间: Anthropic, 2026.02
  • 核心贡献: 四级推理强度调节（快速 / 平衡 / 深度 / 极致），支持将复杂任务自动拆解为多个子任务并行处理，在代码审查、多文件分析等场景表现优异
  • 引用: Anthropic 官方公告

5.2 GPT-5.3-Codex 自我开发能力

  • 机构 / 时间: OpenAI, 2026.02
  • 核心贡献: 在开发过程中参与调试自身代码，代表了模型参与自身迭代优化的新范式
  • 引用: OpenAI GPT-5.3-Codex-Spark 公告

5.3 GLM-5 “写工程” + ZCode

  • 机构 / 时间: 智谱 AI, 2026.02
  • 核心贡献: 从”写代码片段”升级到”完成系统工程”；配套 ZCode 工具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；支持手机远程指挥桌面端 Agent
  • 引用: GitHub: THUDM

5.4 Vision-R1

  • 机构 / 时间: 开源项目, ICLR 2026
  • 核心贡献: 首个探索如何有效将 R1 式 RL 应用于多模态大模型的工作，为代码 + 视觉理解奠定基础
  • 引用: ICLR 2026 (具体论文链接待补充)

六、工具与基础设施

6.1 MCP 2.0 协议

  • 机构 / 时间: Anthropic + 生态, 2025-2026
  • 核心贡献: 成为 AI Agent 与外部工具交互的事实标准；Codex CLI v2.1、Claude Code、Gemini CLI 等工具全面支持；定义了 Tool 定义、调用、结果返回的统一规范
  • 引用: MCP 官方文档 · GitHub: modelcontextprotocol

6.2 Qwen Code CLI

  • 机构 / 时间: 阿里通义, 持续至 2026
  • 核心贡献: 终端命令行 AI Coding Agent，中国大陆用户每天 2000 次免费调用，无 token 限制；支持 OpenAI 兼容 API 接入
  • 引用: GitHub: QwenLM/qwen-code · Qwen Code 文档

6.3 Gemini CLI

  • 机构 / 时间: Google, 2025 发布 → 2026 持续迭代
  • 核心贡献: 开源 AI 终端编程工具，免费使用 Gemini 2.5 Pro / 3 Pro 模型，支持 MCP 协议，内置 Google 搜索
  • 引用: GitHub: google-gemini/gemini-cli

6.4 Trae (字节跳动 AI IDE)

  • 机构 / 时间: 字节跳动, 持续至 2026
  • 核心贡献: AI 原生 IDE，集成 SOLO 模式（AI 自动执行全流程）；国内版搭配豆包 / DeepSeek，海外版支持 GPT-4o / Claude；支持自然语言对话编程
  • 引用: Trae 海外版 · Trae 国内版

6.5 JetBrains Junie

  • 机构 / 时间: JetBrains, 2025-2026
  • 核心贡献: AI 编程 Agent 达到“生产就绪”状态，支持 IntelliJ IDEA、PyCharm 等 IDE，可执行编写代码、调试、测试等多步骤任务
  • 引用: JetBrains Junie 官方页

6.6 Cursor Web App

  • 机构 / 时间: Anysphere, 2025-2026
  • 核心贡献: 从桌面 IDE 扩展到浏览器端管理多 Agent 网络，推出 Web 端应用
  • 引用: Cursor 官网

七、趋势总结

📊 五大核心趋势

#趋势关键信号
1模型竞争白热化Opus 4.6 / GPT-5.3 / GLM-5 / MiniMax M2.5 同周发布，SWE-bench Verified 已超 80%
2Agent 化是主旋律从单模型补全 → 多 Agent 协同、长时运行、自主规划。Anthropic 趋势报告定义方向
3RL for Code 崛起DeepSWE 证明纯 RL 可训练 SOTA 开源 Agent，rLLM / Slime 等框架使 RL 训练民主化
4评测体系重建SWE-bench Verified 饱和 → SWE-bench Pro / Terminal-Bench 2.0 / SWE-World 等更难基准涌现
5CLI Agent 大爆发Claude Code / Codex CLI / Gemini CLI / Qwen Code / OpenCode 全面铺开，MCP 成为互操作标准

🏆 SWE-bench Verified 2.0 最新排行（截至 2026.03）

排名模型得分
1Claude 4.5 Opus (high reasoning)76.8%
2Gemini 3 Flash75.8%
2MiniMax M2.575.8%
4Claude Opus 4.675.6%
5GPT-5-2 Codex72.8%
5GLM-572.8%

注：上表为 mini-SWE-agent 2.0 统一 harness 评测结果，数据来源 swebench.com

🔗 与前期研究报告的关联

本报告中的多项工作与 OpenStudy/ 目录下已有的精读报告密切关联：

2026 年 LLM Code 方向新工作全景 | WorkBuddy 生成 | 2026.03.07