Claude Opus 4.6

编程战绩（按赛制分列）

• SWE-bench Verified78.7%
  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 Pro51.9%
  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。第三方实测
  https://labs.scale.com/leaderboard/swe_bench_pro_public
• Terminal-Bench 2.079.8%
  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
• LiveBench 智能体编程49.0%
  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
• FrontierCode26.6%
  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78.2%
  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-Bench997
  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
• AlgoTune1.47×
  给定一段算法实现，让模型把它调得更快。分数是加速倍率（约 1.3–2 倍），不是百分比。考的是性能调优而不是功能实现。第三方实测
  https://epoch.ai/benchmarks
• GSO37.3%
  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 代码库问答33.3%
  给模型一个陌生的大型代码库，问它这段代码在干什么。考的是读代码，不是写代码。第三方实测
  https://labs.scale.com/leaderboard/sweatlas-qna
• SWE-Atlas 重构35.6%
  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
• SWE-Atlas 写测试36.7%
  给已有代码补写测试用例。第三方实测
  https://labs.scale.com/leaderboard/sweatlas-tw
• MirrorCode33.3%
  Epoch AI 自测的一项代码评测。第三方实测
  https://epoch.ai/benchmarks
• WebDev Arena1556 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。