国外的 Vibe Code 测评排行：opus 4.7、gpt-5.5、deepseek V4、Kimi K2.6……等
- 内容介绍
- 文章标签
- 相关推荐
- 这个是 Vibe Code Beanch
bench661×1162 77.5 KB
- 这个是 SWE-bench
swe-bench657×1155 77.8 KB
网友解答：--【壹】--：
野榜，你可以看看，opus4.6 无思考排第5，opus 4.6thinking排第7，你的意思是不思考写出来的代码比思考后写出来的代码效果更好，这谁排的，有点搞笑了，不会是文科生媒体朋友吧
--【贰】--：
无思考的 opus 花费了更多美刀，可能实际工作上做了什么额外的事
感觉偶然性很高
--【叁】--：
Arena Leaderboard - a Hugging Face Space by lmarena-ai
This app displays the LMArena leaderboard in a full‑screen view, letting you see the latest rankings of language models at a glance. Just open the page and the leaderboard loads automatically—no in...
不知道算不算？
--【肆】--：
我特别好奇，做这种榜单的人，真的自己开发吗？不会还是和科技评测媒体一样吧？不会科技硬要科技
--【伍】--：
拼接一下吧
vals.ai
benchmarks/swebench
--【陆】--：
看了这么多榜，还是直接用deepseek吧，架构搭好，还是靠谱的性价比之选
--【柒】--：
各位，这个是Vals.ai的榜单，人家是专业做测评的
这是这个Benchmark的Paper：
Vibe Code Bench: Evaluating AI Models on End-to-End Web Application Development
Code generation has emerged as one of AI's highest-impact use cases, yet existing benchmarks measure isolated tasks rather than the complete "zero-to-one" process of building a working application from scratch. We introduce Vibe Code Bench, a...
以及这是一个私有测试集
我不对榜单发表看法，但我认为大家至少要先了解再下定论吧
--【捌】--：
有评测排行的链接吗? 发出来让我看一下, 我挺感兴趣
--【玖】--：
这俩任务都是公开的数据集吧 不应该和官方差距那么大 被锤了会很难看
--【拾】--：
我感觉任何的榜单都不靠谱，毕竟每个人的使用场景不一样，即使是vibe coding每个模型的长处也不同。
--【拾壹】--：
我觉得用脚投票可以排一排（openrouter调用量），其它基本都是体感差距。就像写文搞oc的喜欢用Grok，ds和Gemini，这个很难评价。
--【拾贰】--：
openai说了 现在的榜单毫无作用了！gpt最强。
--【拾叁】--：
demo测试，毫无意义，要在真实的大型项目中使用过才知道谁好
--【拾肆】--：
什么阿猫阿狗都要搞个测评，这种一眼假的，不知道做出来是给哪些人看得
--【拾伍】--：
就看open router token调用量
- 这个是 Vibe Code Beanch
bench661×1162 77.5 KB
- 这个是 SWE-bench
swe-bench657×1155 77.8 KB
网友解答：--【壹】--：
野榜，你可以看看，opus4.6 无思考排第5，opus 4.6thinking排第7，你的意思是不思考写出来的代码比思考后写出来的代码效果更好，这谁排的，有点搞笑了，不会是文科生媒体朋友吧
--【贰】--：
无思考的 opus 花费了更多美刀，可能实际工作上做了什么额外的事
感觉偶然性很高
--【叁】--：
Arena Leaderboard - a Hugging Face Space by lmarena-ai
This app displays the LMArena leaderboard in a full‑screen view, letting you see the latest rankings of language models at a glance. Just open the page and the leaderboard loads automatically—no in...
不知道算不算？
--【肆】--：
我特别好奇，做这种榜单的人，真的自己开发吗？不会还是和科技评测媒体一样吧？不会科技硬要科技
--【伍】--：
拼接一下吧
vals.ai
benchmarks/swebench
--【陆】--：
看了这么多榜，还是直接用deepseek吧，架构搭好，还是靠谱的性价比之选
--【柒】--：
各位，这个是Vals.ai的榜单，人家是专业做测评的
这是这个Benchmark的Paper：
Vibe Code Bench: Evaluating AI Models on End-to-End Web Application Development
Code generation has emerged as one of AI's highest-impact use cases, yet existing benchmarks measure isolated tasks rather than the complete "zero-to-one" process of building a working application from scratch. We introduce Vibe Code Bench, a...
以及这是一个私有测试集
我不对榜单发表看法，但我认为大家至少要先了解再下定论吧
--【捌】--：
有评测排行的链接吗? 发出来让我看一下, 我挺感兴趣
--【玖】--：
这俩任务都是公开的数据集吧 不应该和官方差距那么大 被锤了会很难看
--【拾】--：
我感觉任何的榜单都不靠谱，毕竟每个人的使用场景不一样，即使是vibe coding每个模型的长处也不同。
--【拾壹】--：
我觉得用脚投票可以排一排（openrouter调用量），其它基本都是体感差距。就像写文搞oc的喜欢用Grok，ds和Gemini，这个很难评价。
--【拾贰】--：
openai说了 现在的榜单毫无作用了！gpt最强。
--【拾叁】--：
demo测试，毫无意义，要在真实的大型项目中使用过才知道谁好
--【拾肆】--：
什么阿猫阿狗都要搞个测评，这种一眼假的，不知道做出来是给哪些人看得
--【拾伍】--：
就看open router token调用量