2026 年最适合编程的 LLM：9 款模型排名

在 2025 年 2 月，Claude 3.7 Sonnet 在 SWE-bench Verified 取得了 62.3%，在自定义脚手架下为 70.3%；而当时最强的开源权重模型 DeepSeek-R1 在论文中报告为 49.2%。

两者之间的差距为 13 到 21 个百分点，取决于您对脚手架的宽松程度。

到 2026 年 9 月，独立的 Vals AI 的 SWE-bench Verified 榜单显示 Claude Opus 5 达到 97.0%，开源权重的 DeepSeek V4 Pro 0813 达到 96.4%，该榜单也因饱和而被归档。

前沿之争转向更难的智能体评测，如 SWE-bench Pro 和 Terminal-Bench 4.0；开源权重在旧基准上已追平；于是“最适合编程的 LLM”这个问题变成了“用于什么场景、在哪种硬件上、以什么价格”。

我将就当下我真会用的 9 款模型来回答这个问题。简短版结论：大多数团队应先从 Claude Opus 5.5 开始。

排名之前先说明一点：本文讨论的是模型本身，而非包裹其外的工具。如果您想看 Cursor、Copilot、Windsurf 的对比，请参阅我们关于 2026 年最佳 AI 编程助手的综述。

要点速览：2026 年 9 月最佳编程 LLM

Claude Opus 5.5 目前在大多数基准上都是最强的编程模型，也是多数开发者默认该用的那一款；Claude Fable 5.1 则适合最长时程的工作；而 Qwen3.8-27B 是单卡可用的开源权重之选。按用途最佳选择如下：

• 智能体式编程综合最佳：Claude Opus 5.5（Anthropic），SWE-bench Pro 89.9%，Terminal-Bench 4.0 66.4%，单百万 token 输入 $4、输出 $20。
• 最长时程任务最佳：Claude Fable 5.1（Anthropic），SWE-bench Pro 81.2%，在 Artificial Analysis 的 Terminal-Bench 2.1 排名第一（91.4%），单百万 token 输入 $10、输出 $50。
• OpenAI 家族编程最佳：GPT-6 Astra（OpenAI），tbench.ai 的 Terminal-Bench 4.0 智能体榜首 58.2%，在 Artificial Analysis 的跑分中与 Opus 5.5 并列 59.6%。
• 前沿实验室的最佳性价比：Gemini 3.8 Flash（Google），Terminal-Bench 2.1 为 89.4%，截至 2026 年 12 月 31 日，单百万 token 输入 $0.75、输出 $3.75。
• API 侧最佳开源权重：DeepSeek V4.1 Flash，MIT 许可，Terminal-Bench 2.1 为 90.6%，离峰单百万输出 token $0.60。
• 最佳但无法在家本地跑的开源权重：Kimi K3（Moonshot AI），2.8 万亿参数，Terminal-Bench 2.1 为 88.3%。
• 24 GB GPU 本地最佳：Qwen3.8-27B（阿里巴巴），Apache 2.0，Terminal-Bench 2.1 为 73.0%，UD-Q4_K_M 量化下 16.5 GB。
• 128 GB 工作站本地最佳：Laguna S 2.1（Poolside），118B 参数但仅 8B 激活，1M 上下文窗口。
• 旧硬件上快速本地最佳：Qwen3-Coder-Next，总 80B 但 3B 激活，SWE-bench Verified 为 70.6%。

除特别说明外，以上分数均为厂商发布。下文将解释我为何做出这些选择，以及各自的短板。

为什么这份清单讲“模型”，不讲“编码助手”？

编程 LLM 是读取您的提示并生成 token 的“模型”，而编程助手是为其提供文件、运行命令、展示 diff 的“装置”。

Claude Code、Codex、Cursor、GitHub Copilot、Windsurf 都是装置；Claude Opus 5.5、GPT-6 Astra、Qwen3.8-27B 是模型；而装置对分数的影响，往往超出大多数人的预期。

Anthropic 自家的Claude Opus 4.8 发布文在脚注里给出了具体例子。

文中用公共的 Terminus-2 装置报告了各模型的 Terminal-Bench 2.1 分数，并指出 GPT-5.5 在 OpenAI 的 Codex CLI 内跑分可升至 83.4%。同样的权重，不同的管道，结果不同。

因此，下文的排名在可能的情况下都会注明装置。如果您对这些模型的底层运行方式还不熟，我们的LLM 入门指南只需 15 分钟阅读，有助于理解本文其余部分。

哪些基准对编程 LLM 真正重要？

到 2026 年，对编程 LLM 最重要的基准是 SWE-bench Pro、Terminal-Bench（2.1 与 4.0 版本），以及对仍报告该项的开源权重模型而言的 LiveCodeBench v6。SWE-bench Verified 曾在两年里是行业标准，但如今已过度饱和，难以区分顶级模型。

在排名前，先说明模型条目中的每个数字代表什么。

SWE-bench Verified 已饱和

SWE-bench Verified 是一组来自热门 Python 仓库、经过人工验证的 500 个 GitHub 问题；模型拿到仓库与 issue 文本后，需要给出能通过隐藏单测的补丁。

OpenAI 在 2024 年引入了 Verified 子集，因为原始 SWE-bench 存在需求不明确或测试损坏的任务。它仍是被引用最多的编程指标，这也正是问题所在。

Vals AI 榜单对所有模型都用相同的、仅支持 bash 的最小智能体，2026 年 9 月 1 日的更新中将 Claude Opus 5 记为 97.0%、DeepSeek V4 Pro 0813 为 96.4%、GPT-5.6 Sol 为 96.2%，随后将该基准标记为归档。

当来自三个实验室的三款模型彼此只差 1 分以内，且距满分仅 4 分时，这个指标就不再具备区分度。我仍会为较旧与较小的模型引用它，因为它们的卡片写的就是这个数，但我不会基于它来排序。

SWE-bench Pro 是更难的替代者

由 Scale AI 维护的 SWE-bench Pro 包含横跨 41 个专业仓库的 1,865 个任务，含 731 个公共切分和保留的私有集。2026 年 9 月 22 日，Scale 发布了 SWE-Bench Pro V2，在剔除 89 个无效任务后将公共集缩减到 642 个任务，因此请留意分数对应的版本。

平均修复修改 4.1 个文件、涉及 107.4 行，且仓库涵盖多种语言，而不仅是 Python。2025 年 9 月SWE-bench Pro 论文发布时，最佳模型仅约 23%。

一年后，Anthropic 的Fable 5.1 系统卡报告 Fable 5.1 为 81.2%、Opus 5 为 79.2%；OpenAI 的GPT-5.6 发布表报告 GPT-5.6 Sol 为 64.6%。Fable 卡片发布后三周，Opus 5.5 系统卡将最高分推至 89.9%。

这些是厂商自测分，Anthropic 的做法是以最大努力跑 5 次取均值。Scale 自身的公共榜单通常落后厂商数月，因此我将厂商数视为“上限”，将公共榜单数视为“下限”。

Terminal-Bench 2.1 与 4.0

Terminal-Bench 会在容器中给模型一个真实的 shell 和具体任务，如“训练这个模型”“修复这个构建”“恢复这个损坏的归档”，再根据产出的工件评分。

2.1 版本包含精挑细选的 89 个任务，覆盖软件工程、系统运维、数据处理与安全；Artificial Analysis 使用 Terminus 2 装置，以 3 次运行的 pass@1 平均分计。对于构建或使用编程智能体的人而言，这是我最看重的单一数字。

由斯坦福、Harbor 与 Laude Institute 托管的 Terminal-Bench 4.0 位于 tbench.ai。

Anthropic 的 Opus 5.5 系统卡称其包含 66 个任务，偏向计算生物学、物理仿真、CAD、形式化证明与 GPU 性能，且超时时间更长，因此装置影响更小。

在 tbench.ai 的智能体榜上，GPT-6 Astra 仍以 58.2% 领先，Claude Fable 5.1 为 57.9%，但 Claude Opus 5.5 目前尚无智能体条目。在模型层面的跑分上，Artificial Analysis给出 Opus 5.5 与 Astra 并列 59.6%；Vals AI将 Opus 5.5 记为 61.6% 居首，但也指出若将其安全策略交由后备模型处理的任务计为失败，则该数会降至 53.5%。这是前沿模型与其他模型拉开差距的地方。

LiveCodeBench v6 识别记忆泄漏

LiveCodeBench 由 Jain 等人在 2024 年论文中提出，持续收集来自 LeetCode、AtCoder、Codeforces 的问题，并为每题打上时间戳，从而仅在模型训练截止之后发布的问题上评估模型。

当前公共榜单采用的是第 6 版窗口，见官方榜单。它衡量的是算法推理，而非仓库级工程，因此对面试风格与数据结构类工作依然有用。

2026 年起，一线实验室多不再报告此项，因此我手头的数来自开源权重模型：4 月的 DeepSeek V4 Pro 预览为 93.5%，Qwen3.8-27B 为 90.3%，Kimi K2.6 为 89.6%。Gemini 3.1 Pro 则报告了相关指标，即LiveCodeBench Pro Elo 为 2,887。

我如何解读厂商的基准表

厂商的基准表代表最佳情形：他们的装置、他们的努力等级、他们的试次。我会在 Artificial Analysis、Vals AI 或 tbench.ai 的独立复现中寻找支撑，若差距小于 3 分，我不会轻信。

我们的LLM 基准与模型对比入门介绍了主要榜单；而我们关于MMLU 测量什么的文章也提醒您：知识基准几乎不能说明一个模型是否能修好一个不稳定的测试。

若要自建评估装置，我们的LLM 评估指标与方法指南是我首先给新人同事推荐的。

基准讲清之后，下面进入这 9 款模型在这些基准上的表现，从云端前沿开始。

最佳的云端前沿编程模型有哪些？

2026 年 9 月的云端前沿编程模型最佳为 Claude Opus 5.5、Claude Fable 5.1、GPT-6 Astra、Gemini 3.8 Flash，这四款的上下文窗口均约为 100 万 token。

差异在于价格、努力等级，以及各家优化所对准的具体基准。

我按建议给不差钱团队的优先顺序排列如下。

1. Claude Opus 5.5（Anthropic）

Claude Opus 5.5 是 Anthropic 的全新 Opus 级旗舰，于 2026 年 9 月 22 日发布；如今它是我几乎会推荐给所有人的编程模型。两个月前刚发 Opus 5，我没料到会这么写。Anthropic 的发布文称其在大多数任务上达到 Fable 5.1 的水平，同时运行成本较 Opus 5 降低 40%；其模型总览亦建议开发者从 Opus 5.5 起步，若遇到长时程高难任务或 Opus 5.5 评测不达标，再切换到 Fable 5.1。

Opus 5.5 系统卡报告 SWE-bench Pro 为 89.9%、DeepSWE v1.1 为 74.2%、Terminal-Bench 4.0（xhigh 努力）为 66.4%，在 Anthropic 发布的所有编程项目上领先于 Fable 5.1。独立结果更接近：Artificial Analysis给出其与 GPT-6 Astra 在 Terminal-Bench 4.0 并列 59.6%，Vals AI记其在 Terminal-Bench 4.0 为 61.6%、在 Terminal-Bench 2.1 为 87.6%。两项 Vals 分数均计入了安全策略引发的后备模型；若将这些计为失败，分别降至 53.5% 与 79.8%。

主要特性：

• 每百万输入 token $4、输出 $20，较 Opus 5 低 20%；缓存读取降至每百万 $0.20，降幅 60%
• 100 万 token 上下文、128K 输出，内置自适应思考，不可关闭；默认努力为 medium 而非 high
• CursorBench 4.0 在最大努力下为 57.8%，居 Cursor 榜首；在 medium 下为 52.5%，仍高于 Fable 5.1 的最大努力
• 可在 Claude API 以 claude-opus-5-5 使用，亦可通过 Amazon Bedrock、Google Cloud、Microsoft Foundry

最佳用途：日常编码、全代码库迁移、代码评审。它以更低价格直接替代 Opus 5，Claude Code 现已将其设为 Opus 默认模型。我们的Claude Opus 5.5 指南有详细解读；GPT-6 Sol vs Claude Opus 5.5 对比包含上手测试。

权衡：40% 的节省发生在默认努力下；在最大努力下，Artificial Analysis发现其用 token 远多于 Opus 5，因此每个 Intelligence Index 任务的成本（$5.98）几乎与 Opus 5（$5.86）持平。它还附带类似 Fable 的安全策略，会将多数网络安全任务转交 Opus 4.8；并且迁移代码时需留意：禁用思考或强制工具使用的请求现在会返回错误。

2. Claude Fable 5.1（Anthropic）

Claude Fable 5.1 是公开可用的 Mythos 级模型版本，发布于 2026 年 9 月 1 日；当 Opus 5.5 无法继续推进时，我会升级到它。Anthropic 的发布页称 Fable 5.1 与 Claude Mythos 5.1 是同一模型，只是安全策略不同。

Fable 5.1 系统卡的数字为 SWE-bench Pro 81.2%、Terminal-Bench 4.0 为 55.8%。Artificial Analysis 独立测得其在Terminal-Bench 2.1 上为 91.4%（最大努力），该榜的最高分。

主要特性：

• 100 万 token 上下文窗口与 128K 输出 token
• 自适应思考始终开启
• 5.1 将提示缓存读取价格降至每百万 $0.25（降幅 75%），Anthropic 估计可将智能体工作负载成本降至多 45%
• 更强的多文件规划、更全面的思考与更佳的工具使用

最佳用途：生产级智能体流水线、跨多日的重构、以及一旦出错成本高于 token 成本的任务——前提是您的评测显示 Opus 5.5 在此类任务上不达标。我们的Claude Fable 5.1 指南覆盖本次发布；而Claude Fable 5 总览回顾 6 月的初版。

权衡：每百万输入 token $10、输出 $50，是 Opus 5.5 价格的 2.5 倍；且在 Anthropic 自家表格中，Fable 5.1 现已落后于 Opus 5.5（SWE-bench Pro、Terminal-Bench 4.0、CursorBench 4.0）。Anthropic 表示现实差距不如这些分数所示那么大，但现在举证责任在它这边。在较旧的 CursorBench 3.2.0 上，Fable 5.1 在 medium 努力下得分 68.0%，每任务 $3.53。

3. GPT-6 Astra（OpenAI）

GPT-6 Astra 是 OpenAI 的前沿模型，发布于 2026 年 9 月 3 日；在使用 Codex 装置、最大努力下，它仍以 58.2% 领跑 tbench.ai 的 Terminal-Bench 4.0 智能体榜，但 Opus 5.5 目前尚无该榜的智能体条目。

模型页给出 1,050,000 token 上下文窗口、128,000 输出 token、知识截止 2026-04-30、努力等级从 none 到 max。定价为每百万输入 token $10、缓存输入 $1、输出 $50。

OpenAI 的发布材料更多依赖自家评测与系统卡，而非跨实验室基准。它的表现很强，但我不会称 Astra 对 Opus 5.5 或 Fable 5.1 有“明显胜出”。我们的GPT-6 Astra 总览覆盖了首发数据。

主要特性：

• Responses API 暴露了 hosted_shell、apply_patch、computer_use、tool_search，即 Codex 自身使用的工具集。
• 缓存输入每百万 $1，仅为基础价的十分之一，对重复读取同一仓库的智能体循环很重要。
• Astra 是首个达到其 Preparedness Framework 顶级网络安全分级的 OpenAI 模型，因此部分与安全相关的提示有门控。

最佳用途：已在 Codex、GitHub Copilot 或微软生态上的团队，理工科密集任务，以及需要更好第三方工具支持的用户。若想以更低价格获得大部分能力，GPT-6 Sol于 9 月 22 日发布，输入 $2、输出 $10/百万 token，继任 GPT-5.6 Sol；因尚无 GPT-6 Terra，它现填补了 Terra 旧价位。OpenAI 自家图表显示其在 DeepSWE 1.1 为 68.8%、在 FrontierCode 为 49.3%，不过在最大努力下 GPT-5.6 Sol 仍在 DeepSWE 上更高。

权衡：Fable 级定价；而据 Anthropic 统计，Opus 5.5 现在以大约 40% 的任务成本匹配 Astra 在 Terminal-Bench 4.0 的表现，Artificial Analysis 的评分则两者持平。Astra 最明显的领先在理工科任务：Terminal-Bench-Science 为 64.6%，FrontierSWE v2 为 65.5%，均高于 Opus 5.5。

4. Gemini 3.8 Flash（Google）

Gemini 3.8 Flash 是 Google 的主力模型，发布于 2026 年 9 月 2 日，是获取前沿实验室级智能体编程分数的最低价途径之一（GPT-6 Luna 每 token 更便宜，但智能体分数较低）。Google 的评估报告显示 Terminal-Bench 2.1 为 89.4%、DeepSWE v1.1 为 73.7%（这是一个 113 个任务的长时程套件，Fable 5.1 为 67.4%）。同表中 Opus 5 稍高，为 74.0%；Anthropic 报 Opus 5.5 为 74.2%；Google 的开发者指南还给出 SWE-bench Pro 为 61.6%。

Gemini API 价格页显示截至 2026-12-31，输入 $0.75、输出 $3.75/百万 token；从 2027-01-01 起分别为 $1.50 与 $7.50。即便按 2027 年价格，输出费也仅略高于 Opus 5.5 的三分之一。上下文窗口为 100 万输入 token、64K 输出。

主要特性：

• 原生多模态输入，您可将架构图或失败 UI 的截图与代码一并交给它。
• Google 将其定位为高吞吐智能体工作的模型，并据此定价。
• 存在专用于漏洞工作的 Cyber 变体，单独门控；详见我们的Gemini 3.8 Flash 与 Flash Cyber 概览。

最佳用途：高频智能体循环、预算敏感团队、以及 Vertex AI 用户。2026 年 2 月 19 日发布的 Gemini 3.1 Pro 仍是 Google 的 Pro 级模型，SWE-bench Pro 为 54.2%、输入 $2、输出 $12/百万 token，但就“编程”而言，今日我会选 3.8 Flash 而非 3.1 Pro。

权衡：Terminal-Bench 4.0 仅 19.1%。Flash 在范围清晰的终端任务上很强，但在前沿科学任务上较弱；因此请为最难的工单准备一款更强模型。

云端模型到此为止。下文是可下载的模型。

2026 年最佳开源权重编程 LLM 是哪些？

2026 年的开源权重编程 LLM 分为两类：如 DeepSeek V4.1 Flash、Kimi K3 等数据中心规模的模型，它们可匹敌前沿分数但需强大服务器硬件；以及如 Qwen3.8-27B、Laguna S 2.1 等小于 120B 的模型，可在您自有硬件上运行。

这里“开源权重”指权重可下载。实际许可证从 MIT、Apache 2.0 到定制条款不等。

5. DeepSeek V4.1 Flash（DeepSeek）

DeepSeek V4.1 Flash 发布于 2026 年 9 月 10 日；尽管名为 Flash，它已成为我在 DeepSeek 系列里优先选择的模型。DeepSeek 表示它在性能、成本、速度与任务完成时间上全面超越自家旗舰 V4 Pro 0813。Vals AI 的独立指数也支持这一点，将其以 57.9% 排为开源权重第一；而 V4 Pro 0813 在 8 月的 Vals 分数为 52.4%。

它是一个 552B 参数的 MoE（专家混合）模型，输入每 token 约 8B 激活参数、输出为 16B，100 万 token 上下文，原生图像输入，权重以 MIT 许可发布。DeepSeek 报告 Terminal-Bench 2.1 为 90.6%、DeepSWE v1.1 为 74.2%，两者均为开源权重中的最高厂商分。Vals AI 自跑的 Terminal-Bench 2.1 为 74.5%，在开源权重中居次。

我们在DeepSeek V4.1 Flash 概览中有更深入的介绍。

主要特性：

• DeepSeek 价格页显示 API 侧离峰为每百万输入 $0.15、输出 $0.60；工作日高峰（UTC 01:00–04:00、06:00–10:00）翻倍为 $0.30 与 $1.20。缓存命中离峰每百万 $0.003。
• 以 deepseek-flash 提供 OpenAI 兼容 API，因此本文稍后 ask_coding_model.py 脚本仅需更改 base URL 即可使用。
• KV 缓存约为 V4 Flash 的四分之一，这是 DeepSeek 能将长上下文定价压到此水平的原因。

最佳用途：以极低成本完成逼近前沿的终端编程，以及可在离峰时间批量调度的代码作业。

权衡：在 DeepSeek 自家报告里，Terminal-Bench 4.0 仅 31.2%，因此最难的长时程智能体任务仍归前沿实验室。检查点大小约 510 GB，因此“开源权重”在此意味着多卡服务器。若您在用 V4 Pro 0813，DeepSeek 曾宣布 9 月 14 日将流量路由到 V4.1 Flash，后又撤回；目前 V4 Pro 仍以离峰 $0.66/$1.98 提供，直至另行通知。

6. Kimi K3（Moonshot AI）

Kimi K3 是 Moonshot AI 于 2026 年 7 月发布的 2.8 万亿参数开源权重旗舰，在 Terminal-Bench 2.1 取得 88.3%，为开源模型中次高，仅次于 DeepSeek V4.1 Flash 厂商报告的 90.6%。

Hugging Face 卡片显示：896 个专家、104B 激活参数（每 token 路由 16 个专家外加 2 个共享）、1,048,576 token 上下文、MXFP4 权重。Vals AI 测得其 SWE-bench Verified 为 93.4%。

主要特性：

• 100 万 token 上下文与原生视觉能力。
• 以 Kimi K3 License 发布，属定制许可而非 MIT/Apache，商用前请先阅读。
• 推荐推理栈为 vLLM、SGLang、TokenSpeed，Moonshot 还根据 H20 GPU 校准了部分 GPU 评测任务。

最佳用途：希望使用最强开源智能体编程能力的人。

权衡：接近前沿的能力只能在数据中心规模实现。与 Fable 5.1 在 Terminal-Bench 2.1 的 3 分差距看似接近，但并非同一装置：Moonshot 在自家 Kimi Code 装置下测得 88.3%，而 Fable 的 91.4% 来自 Artificial Analysis 的 Terminus 2 跑分。实践中，您要么通过托管服务租用，要么自建集群，且定制许可证也需法务审阅。

7. Qwen3.8-27B（阿里巴巴）

Qwen3.8-27B 是 2026 年 8 月发布的 270 亿参数致密模型，Apache 2.0 许可，是可在单张 24 GB GPU 上运行的最佳编程 LLM。

模型卡报告 SWE-bench Pro 为 61.7%、Terminal-Bench 2.1 为 73.0%、LiveCodeBench v6 为 90.3%、DeepSWE 1.1 为 42.2%，原生 262,144 token 上下文，可用 YaRN 扩展至 100 万。这些 SWE-bench Pro 与 Terminal-Bench 分数超过了体量大 4 倍的 Laguna S 2.1，也在 SWE-bench Pro 上超过 Gemini 3.1 Pro。需要说明，Qwen 在其自校正任务集上跑的 SWE-bench Pro，跨实验室对比仅供参考。

主要特性：

• 社区提供的 Unsloth UD-Q4_K_M GGUF 仅 16.5 GB，24 GB 显存可保留 32K 上下文。UD-Q4_K_XL 为 17.6 GB。
• 致密架构，单 token 速度不如 3B 激活的 MoE，但在多文件编辑上一致性更强。
• Apache 2.0，无商用使用限制。

最佳用途：无法将代码发往外部 API 的开发者、拥有一张 RTX 级显卡的个人、以及在付费上云前希望在自家仓库对比「本地 vs Claude」的人。

权衡：在 Terminal-Bench 2.1 上 73.0% 对 91.4% 仍有 18 分差距，这会反映为长时程智能体任务的更多重试。

8. Laguna S 2.1（Poolside）

Laguna S 2.1 是 Poolside 的 118B 参数 MoE 编程模型，8B 激活参数，发布于 2026 年 7 月 21 日，是 Mac Studio、DGX Spark 或多卡工作站的开源权重首选。

Poolside 的发布文报告 SWE-bench Pro 公共集为 59.4%、Terminal-Bench 2.1 在“最大思考”下为 70.2%（关闭思考为 60.4%）、SWE-bench Multilingual 为 78.5%、DeepSWE 为 40.4%。

该模型在 4,096 张 H200 上、不到 9 周内，训练了 409,000 个环境，其中包含 83,000 个终端任务与 168,000 个软件工程工作流。

主要特性：

• 100 万 token 上下文窗口——在这个体量中并不常见。
• OpenMDW-1.1 许可，较宽松，但建议法务过目。
• 思考模式默认开启，在 Terminal-Bench 2.1 上可带来约 10 分提升；Poolside 的运行显示，平均完成长度约 23K 到 249K token/任务，需做好预算。

最佳用途：希望在 96–128 GB 统一内存机器上运行 Claude Code 风格本地智能体的团队，以及本地也需要 100 万上下文的大型仓库。

权衡：118B 参数在 4-bit 下约 60–70 GB 权重，另需 KV 缓存，24 GB 显存不够。按原始分数 Qwen3.8-27B 略胜，但 Laguna 的 8B 激活令其在权重装入后远更快，这正是通宵智能体的意义。

9. Qwen3-Coder-Next（阿里巴巴）

Qwen3-Coder-Next 是 80B 参数的 MoE 模型，但每 token 仅激活 3B 参数，发布于 2026 年 2 月 3 日，Apache 2.0 许可；对无法高效容纳 27B 致密模型的硬件来说，它是最快的可用本地编码模型。

模型卡报告 SWE-bench Verified 为 70.6%、SWE-bench Pro 为 44.3%、Terminal-Bench 2.0 为 36.2%，共 512 个专家（10 个激活 + 1 个共享），上下文为 262,144 token。仅支持“无思考”模式。

主要特性：

• 官方 Q4_K_M GGUF 约 48 GB，更适合 64 GB Mac 或 CPU-offload，而非单张消费级 GPU。
• 混合注意力（每层标准注意力配 3 层 Gated DeltaNet）降低长上下文内存占用。
• 据模型卡，支持 vLLM、SGLang、Ollama、LM Studio、MLX-LM、llama.cpp、KTransformers。

最佳用途：以 tokens/s 为先的长时程过夜任务，以及 64 GB 统一内存的笔记本。

权衡：SWE-bench Pro 的 44.3% 比 Qwen3.8-27B 低 17 分；若是单个高难 Bug，我会选致密模型。

其他值得关注的开源权重模型

还有四款模型差点入榜，其中两款对特定团队可能比我的推荐更合适：

• DeepSeek V4 Pro 0813（DeepSeek）：总 1.6T、49B 激活、100 万上下文、MIT 许可，在 Vals AI 归档的 SWE-bench Verified 为 96.4%。离峰仍以每百万输入 $0.66、输出 $1.98 提供，但 Vals 测到其 Terminal-Bench 2.1 为 54.7%，低于 DeepSeek 报告的 87.9%，DeepSeek 现引导用户转向 V4.1 Flash。我们的DeepSeek V4 解析讲解了架构。
• Kimi K2.6（Moonshot）：总 1T、32B 激活、256K 上下文、修改版 MIT 许可，SWE-bench Verified 80.2%、SWE-bench Pro 58.6%、LiveCodeBench v6 89.6%。在万亿规模模型中，其许可证在 DeepSeek V4 Pro 的纯 MIT 之后最为干净。
• MiniMax M3：总 428B、23B 激活、100 万上下文、原生图像与视频输入，SWE-bench Verified 80.5%、SWE-bench Pro 59%。若任务混有代码与截图，这是开源之选。
• Qwen3.8-Flash-Next：总 125B、6B 激活，SWE-bench Pro 62.5%、DeepSWE 58.7%，采用更为严格的 qwen-community-1.0 许可。其 DeepSWE 表现强于 Qwen3.8-27B，但许可证使其无缘我的前 9。

若上述开源权重恰好适配您的硬件，下一节将介绍如何跑起来。

如何在本地运行开源权重的编程模型？

本地运行开源权重的编程模型分三步：下载量化检查点、在 OpenAI 兼容端点后面提供服务、将您的客户端或编程助手指向该端点。本文以 Qwen3.8-27B 为例，因为它在消费级硬件上最容易放得下。

第一步：下载。huggingface_hub 库支持断点续传与缓存，对大文件很有帮助：

"""Download a quantized coding model from Hugging Face.
 
Qwen3.8-27B at UD-Q4_K_M is a single 16.5 GB file, which leaves room for
a 32K context on a 24 GB GPU. Swap FILENAME for the UD-Q4_K_XL build if you
have the extra 1 GB to spare.
"""
 
from huggingface_hub import hf_hub_download
 
REPO_ID = "unsloth/Qwen3.8-27B-GGUF"
FILENAME = "Qwen3.8-27B-UD-Q4_K_M.gguf"
 
 
def fetch(repo_id: str = REPO_ID, filename: str = FILENAME) -> str:
    """Download one file from the Hub and return its local path."""
    path = hf_hub_download(repo_id=repo_id, filename=filename)
    print(f"Saved to {path}")
    return path
 
 
if __name__ == "__main__":
    fetch()

将其保存为 download_gguf.py，并运行 uv run --with huggingface_hub python download_gguf.py。在 Windows 上，若未启用开发者模式，会看到关于符号链接的警告。

第二步：提供服务。

llama.cpp 的 llama-server、LM Studio、Ollama 都会暴露 OpenAI 兼容的 /v1 端点。使用 llama.cpp 仅需一行命令，其中两个参数至关重要：-ngl 99 将所有层下放到 GPU，-c 32768 设定 32K 上下文。

llama-server -m Qwen3.8-27B-UD-Q4_K_M.gguf -c 32768 -ngl 99 --port 8080

第三步：客户端。我为每个评测的模型（本地或托管）都保留一份脚本，并通过 3 个环境变量切换目标。同一个文件既能访问上面的本地服务，也能访问 DeepSeek 或 OpenAI 的 API：

"""Send one coding prompt to any OpenAI-compatible endpoint.
 
The same script talks to a local llama.cpp or vLLM server, to DeepSeek's
API, or to OpenAI itself. Only three environment variables change:
 
    LLM_BASE_URL   e.g. http://localhost:8080/v1  or  https://api.deepseek.com
    LLM_MODEL      e.g. qwen3.8-27b  or  deepseek-flash
    LLM_API_KEY    anything non-empty for a local server
"""
 
import os
 
from openai import OpenAI
 
PROMPT = (
    "Write a Python function top_n(df, col, n) that returns the n largest "
    "rows of a pandas DataFrame by column col, with a docstring and a "
    "ValueError if col is missing."
)
 
 
def ask(prompt: str = PROMPT) -> str:
    """Return the model's reply for a single-turn coding request."""
    client = OpenAI(
        base_url=os.environ["LLM_BASE_URL"],
        api_key=os.environ.get("LLM_API_KEY", "local"),
    )
    response = client.chat.completions.create(
        model=os.environ["LLM_MODEL"],
        messages=[{"role": "user", "content": prompt}],
        temperature=0.2,  # keep code generation close to deterministic
    )
    return response.choices[0].message.content
 
 
if __name__ == "__main__":
    print(ask())

将其保存为 ask_coding_model.py，并以 LLM_BASE_URL=http://localhost:8080/v1 LLM_MODEL=qwen3.8-27b uv run --with openai python ask_coding_model.py 运行。

如果您要将多个端点接入一个带路由、重试与工具调用的应用，我们的课程使用 LangChain 开发 LLM 应用涵盖了防止代码变成 if 语句堆叠的抽象。

如何选择最适合编程的 LLM？

选择最适合编程的 LLM 取决于四个约束：代码能否离开您的机器、您有多少内存、您愿意为每百万输出 token 支付多少、单个任务需要多少上下文。下表将 9 款入选模型在我最信任的数字上并列展示，随后是将这些约束映射到选择的决策指南。

决策指南

我将四个约束与排名对应如下：

• 以正确性优先于成本的智能体式编程流水线：Claude Opus 5.5 设为 high 或 xhigh 努力；若您的评测显示 Opus 5.5 在长时程任务上不达标，则备选 Fable 5.1。
• 理性价格下的日常 AI 辅助编码：先用 Claude Opus 5.5 的默认 medium 努力；若您深度使用 Codex，则其次为 GPT-6 Sol。
• 前沿科学、仿真或 GPU 内核工作：GPT-6 Astra 或 Claude Opus 5.5。Astra 在 Terminal-Bench-Science 领先，Opus 5.5 在 Terminal-Bench 4.0 领先。
• 超大代码库、100 万 token 提示、预算紧：先用 Gemini 3.8 Flash；当 Flash 的回答开始松散时切到 Opus 5.5。
• 通过 API 使用开源权重：DeepSeek V4.1 Flash（离峰）。
• 单张 24 GB GPU 的本地私有：Qwen3.8-27B（UD-Q4_K_M）。
• 96–128 GB 机器上的本地私有：Laguna S 2.1；若“机器”=“集群”，则 Kimi K3。
• 64 GB 笔记本上的本地快速：Qwen3-Coder-Next。

若您需要一个更通用的匹配框架（含托管与许可选项），我们的如何为您的应用选择最佳 LLM指南比“编程”范畴更广。

无论选哪款模型，要真正产出价值，所需技能相同：我们的面向软件工程的 AI 技能路径以及开发者的 AI 辅助编码课程将教授能把 91% 基准分变成已合并 PR 的提示、测试与评审习惯。

结语

Claude Opus 5.5 是 2026 年 9 月最适合编程的 LLM，且少见地，它也是最值得您给团队买单的一款。Claude Fable 5.1 是最长任务的升级路径；Qwen3.8-27B 则是在 24 GB GPU 上把私有编程助手做出来的开源权重之选，其在 SWE-bench Pro 上胜过去年的前沿模型。其他一切取决于您的约束，上面的决策指南就是我解决它们的方式。

更大的变化在于，曾定义这一领域两年的基准 SWE-bench Verified，恰在开源权重追平它的同一年失去了意义。

这绝非巧合。

当 Opus 5 与 DeepSeek V4 Pro 在一个饱和测试上仅差 0.6 分，而每百万 $20 的模型在 SWE-bench Pro 上击败了 Anthropic 自家的 $50 模型，价值便转移到了装置设计、努力预算，以及基于您自家仓库的评估——这些恰是厂商表格无法替您完成的工作。

所以请做这件事。拿起 ask_coding_model.py，指向其中两三款模型，在您愿意付费的努力等级下，对照待办清单中的 20 个真实工单跑一遍，并让结果推翻我在这里写的任何东西。若与其做评估装置您更偏爱“vibe coding”，我们关于什么是 vibe coding 及其局限的文章也坦诚讨论了权衡，同样适用本文的模型排名。