大模型选择
工具决定了交互方式，但真正决定 AI Coding 质量的是背后的模型。
主流编码模型横评
综合排名（截至 2026 年 8 月）
| 排名 | 模型 | 厂商 | 综合代码能力 | 长上下文 | 速度 | 价格 |
|---|---|---|---|---|---|---|
| Claude Opus 4.6 | Anthropic | 1M | 中 | 高 | ||
| Claude Sonnet 4.6 | Anthropic | 1M | 快 | 中 | ||
| Claude Opus 5 | Anthropic | 1M | 中 | 高 | ||
| 4 | GPT-5.4 / 5.5 | OpenAI | 1M | 快 | 中高 | |
| 5 | Gemini 3.1 Pro | 1M | 中 | 中 | ||
| 6 | Gemini 3.5 Flash | 1M | 极快 | 低 | ||
| 7 | DeepSeek V3.2 | 深度求索 | 128K | 中 | 极低 | |
| 8 | Kimi K2.5 | 月之暗面 | 262K | 中 | 低 | |
| 9 | Qwen3.5 397B | 阿里 | 262K | 快 | 低 | |
| 10 | GLM-5 / 5.2 | 智谱 | 200K-256K | 中 | 低 |
SWE-bench Verified 评分（2026 年）：Claude Opus 4.6 80.8%、Claude Sonnet 4.6 79.6%、Kimi K2.5 76.8%、GLM-5 77.8%、DeepSeek V3.2 73.0%、GPT-5.4 ~57-65%、Gemini 3.1 Pro ~70-80%（不同评测口径差异较大）。
各模型在前端场景的表现
Claude Opus 4.6 / Opus 5（推荐 ，复杂任务首选）
优势：
- SWE-bench Verified 80.8%，当前编码能力天花板-Opus 4.6 起新增 Agent Teams并发子代理、1M 上下文 beta（128K 输出）
- 对指令遵循度极高，最听话-复杂多文件重构、跨文件推理最强
劣势：
- 价格偏高（$5/$25 per 1M tokens；Opus 5 维持 $5/$25）
- 速度比 Sonnet 慢
最适合：复杂业务逻辑、多文件重构、自主 Agent 任务
Claude Sonnet 4.6（推荐 ，性价比首选）
优势：
- SWE-bench Verified 79.6%，与 Opus 4.6 仅差 1.2 个百分点-价格仅 Opus 的 1/5（$3/$15 per 1M tokens）
- 70% 用户在 Claude Code 中更偏好 Sonnet 4.6 而非 Sonnet 4.5
- 综合代码风格、指令遵循、响应速度的最佳平衡
劣势：
- 极致推理任务（科学、博士级）弱于 Opus
- 无 Agent Teams 能力
最适合：日常编码、绝大多数 AI Coding 场景（默认推荐）
GPT-5.4 / GPT-5.5（推荐 ）
优势：
- 指令遵循与结构化输出合规性最强（schema 严格遵循）
- 工具调用、函数调用最稳定
- 多模态能力强（语音、图像、视频）
- 生态最成熟，工具兼容性最好
劣势：
- SWE-bench 编码任务仍落后 Claude Opus / Gemini 3 Pro 一档
- 长上下文仅 1M（部分模型）
- GPT-5.5（2026 年 4 月发布）首发定价 $5/$30（不涨）
最适合：日常对话、需要严格结构化输出、多模态输入场景
Gemini 3.1 Pro / 3.5 Flash（推荐 ）
优势：
- 超长上下文（1M tokens），能装下整个大型项目
- 多模态原生支持（视频、音频、PDF）
- Gemini 3.5 Flash 速度极快（适合实时补全 / 大规模调用）
- Gemini 3 在 WebDev Arena 排名第一，被谷歌称为"迄今最佳 vibe coding 模型"
- 价格友好（3.1 Pro $2/$12；3.5 Flash 更低）
劣势：
- 长上下文有衰减（128K 以上召回率开始下降，>512K 严重衰减）
- 单文件代码质量略逊于 Claude
- 中文注释有时不够自然
最适合：分析整个大型代码库、超长文档、原型快速迭代
DeepSeek V3.2（推荐 ，性价比之王）
优势：
- 性价比碾压（$0.28/$0.42 per 1M tokens，比 Claude 便宜约 10 倍）
- SWE-bench Verified 73.0%，与 GPT-5 级别性能相当
- 完全开源（MIT），可私有部署
- 中文能力强，多语言显著提升
劣势：
- 复杂多文件重构弱于 Claude Opus
- 128K 上下文略小
- 部分场景速度比 GPT-4.1 慢
最适合：成本敏感场景、日常任务、对国产化和私有化有要求
Kimi K2.5 / K3（国产推荐）
优势：
- K2.5 SWE-bench Verified 76.8%，已接近 Sonnet 4.6-K2.5 支持 256K 上下文，"最强开源视觉编程模型"，能看截图写前端
- K3（2026 年 7 月开源）2.8T 参数，史上最大开源模型
- 中文写作、代码注释自然度极高
劣势：
- 高峰期算力紧张
- 多模态能力相对较弱
最适合：中文项目、长文档分析、阿里云百炼 Coding Plan 优惠场景
Qwen3.5 397B / GLM-5（国产推荐）
优势：
- Qwen3.5 397B：原生 262K 上下文，专为编程优化
- GLM-5 / 5.2：SWE-bench Verified 77.8%，首个综合能力接近 Claude Opus 4.6 的中国模型（仍落后约 3 个百分点）
- GLM-5.2 支持 1M 无损上下文，Coding 与长程任务达开源 SOTA
- 中文支持最好，价格低，可私有部署
劣势：
- 英文场景略弱于 Claude
- 英文资料较少
- 部分模型需阿里云 / 智谱平台调用
最适合：中文项目、对数据合规敏感、需要本地化部署
模型选择的决策树
你的预算是？
├── 充足 → Claude Opus 5 / Opus 4.6（关键任务）+ Sonnet 4.6（日常）
├── 中等 → Sonnet 4.6（首选）+ DeepSeek V3.2 / Kimi K2.5（备选）
└── 紧张 → DeepSeek V3.2（API）/ Qwen3.5 397B / GLM-5（本地）
你的任务复杂度？
├── 复杂业务 / 多文件重构 → Claude Opus 4.6 / 5
├── 日常 CRUD → Sonnet 4.6 / DeepSeek V3.2
└── 大型代码库分析 → Gemini 3.1 Pro（1M 上下文）
数据合规要求？
├── 严格 → 本地开源模型（Qwen3.5 397B / GLM-5 / DeepSeek V3.2）
└── 宽松 → 任意商用模型
是否需要多模态？
├── 视频/长 PDF → Gemini 3.1 Pro
├── 设计稿截图 → Kimi K2.5 / GPT-5.4
└── 纯文本 → Claude / DeepSeek实战建议
多模型组合策略
不要"一棵树上吊死"。推荐组合：
| 任务类型 | 推荐模型 | 工具 |
|---|---|---|
| 代码补全 | DeepSeek V3.2 / GPT-4.1 Mini | Cursor / Trae |
| 组件生成 | Sonnet 4.6 / GPT-5.4 | Cursor Composer |
| 复杂重构 | Claude Opus 4.6 / 5 | Claude Code |
| 代码审查 | Claude Sonnet 4.6 | 任意 |
| Bug 排查 | Claude Opus 4.6 | Claude Code |
| 文档生成 | GPT-5.4 / DeepSeek V3.2 | 任意 |
| 测试编写 | Sonnet 4.6 / DeepSeek V3.2 | 任意 |
| 大型代码库分析 | Gemini 3.1 Pro | Cursor |
| 看图写前端 | Kimi K2.5 | Trae / Cursor |
模型切换的成本
实际使用中，模型切换几乎零成本——大多数工具都支持运行时切换。
建议：
- 日常用便宜模型：代码补全、简单生成（DeepSeek V3.2 / Sonnet 4.6）
- 关键任务用顶级模型：复杂重构、架构决策（Claude Opus 4.6 / 5）
- 不确定时让两个模型都给方案：对比选择
- 避免单一厂商锁定：跨厂商组合（Claude + DeepSeek + Gemini）规避账号风控
关注的评测基准
判断模型代码能力时，关注这些基准：
| 基准 | 测什么 | 参考价值 |
|---|---|---|
| SWE-bench Verified | 真实 GitHub Issue 修复（500 题） | |
| SWE-bench Pro | 更难变体（1,865 题，多语言） | |
| LiveCodeBench | 持续更新的真实题目（防污染） | |
| HumanEval | 编程题（已饱和，>95%） | |
| MBPP | 基础编程 | |
| Aider Polyglot | 多语言编辑任务 | |
| WebDev Arena | 前端/Web 任务 | |
| Terminal-Bench 2.0 | CLI / 终端操作 |
基准 ≠ 实战
基准分数只能作为参考，真实项目中的表现才是关键。HumanEval 已饱和（>95%），无法区分前沿模型；建议团队内做小规模试用再决策。
未来趋势
- Agent 专用模型：专门为 Agent 场景优化的模型（Claude Agent Teams、OpenAI o-series）
- 超长上下文常态化：1M 上下文成为标配（Opus 5、GLM-5.2、GPT-5.5 均已支持）
- 开源追平闭源：GLM-5、Kimi K2.5、Qwen3.5 等开源模型已逼近 Claude Opus
- 国产芯片 + 国产模型协同：GLM-5 已在寒武纪、摩尔线程国产芯片上完成适配
- 判断力优先：从机械规则约束转向"判断力优先"的上下文工程（Claude 5 路线）
下一节：Trae Solo 深度评测