Claude Opus 4.7

编程战绩（按赛制分列）

• SWE-bench Verified83.5%
  从真实 GitHub 仓库里挑出的 500 个 issue，看模型能不能提交出通过测试的补丁。业界最通行的编程标尺。这一列由 Epoch AI 用统一脚手架复跑。第三方实测
  https://epoch.ai/benchmarks
• SWE-Bench Pro64.3%
  同一个思路但难度高得多的版本，题目更长、依赖更复杂。分数普遍比 Verified 低三十分左右，两者不可直接比较。厂商自报
  https://www.anthropic.com/news/claude-opus-4-8
• Terminal-Bench66.1%
  把模型丢进一个真实终端里让它自己干完一件活——装环境、跑脚本、调错。考的是当「实习生」的本事，不只是写代码。厂商自报
  https://www.anthropic.com/news/claude-opus-4-8
• Terminal-Bench 2.080.2%
  Terminal-Bench 的第二代题库，任务更长更杂。与 1.0 的分数不可直接比较。第三方实测
  https://epoch.ai/benchmarks
• CursorBench64.8%
  在真实 IDE 里做代码编辑的测试，题目来自 Cursor 收集的实际使用场景。第三方实测
  https://cursor.com/cursorbench
• LiveBench 智能体编程50.7%
  LiveBench 的智能体编程分项：不是写一段代码，而是像开发者那样多轮改动一个项目。第三方实测
  https://livebench.ai/#/?release=2026-06-25
• FrontierCode38.5%
  Cognition 出的高难度代码题集，面向前沿模型。第三方实测
  https://cognition.com/frontiercode
• LiveBench 编程分项82.1%
  LiveBench 每月换新题以避免污染，这一列是它的编程分项均分。第三方实测
  https://livebench.ai/#/?release=2026-06-25
• ALE-Bench1323
  AtCoder 启发式算法竞赛题，考的是给一个没有标准答案的优化问题找出尽量好的解。分数是 137–2177 的评分标度，不是百分比。和「修 bug」是两种能力。第三方实测
  https://epoch.ai/benchmarks
• GSO42.2%
  代码性能优化测试：在保持功能不变的前提下把真实项目跑得更快。第三方实测
  https://epoch.ai/benchmarks
• SWE-Atlas 重构48.6%
  在不改变行为的前提下重构已有代码。第三方实测
  https://labs.scale.com/leaderboard/sweatlas-refactoring
• MirrorCode31.1%
  Epoch AI 自测的一项代码评测。第三方实测
  https://epoch.ai/benchmarks
• WebDev Arena1567 Elo
  让两个模型各写一个网页，由人来投票选哪个更好，按对战胜负算 Elo 分。考的是前端开发的实际观感，和「能不能修复一个后端 bug」不是一回事。第三方实测
  https://epoch.ai/benchmarks

这些分数不可互相比较。同一个模型换一套评测脚手架就能差二三十分： SWE-bench Verified 的中位数是 75.7，而难度更高的 SWE-Bench Pro 只有 41.0。 广场上的能力条因此显示的是「在同一把尺子下排第几」，而不是分数本身。

全部成绩（按榜单分列）

名次的分母是在同一个榜、由同一类测量方测过的模型数，不是全站模型数。不同榜的分数不可互相比较。