簡而言之：我們對每個主要AI編碼模型進行了真實的水星科技解決方案 開發任務 — 前端和後端。排名：Fable > Kimi K3 > Claude Opus 4.8 > Grok 4.5 > Codex 5.5 > Kimi 2.7 > Claude Opus 4.6 > GLM 5.2 > MiniMax。 Fable 贏了。不是因為它是最大的模型，而是因為它理解什麼是「完成」。
詹姆斯在這裡，水星科技解決方案。 來自我在香港數碼港的辦公室 — 2026年7月17日
我花了過去兩週做一些我幾個月前就應該做的事情：將每個主要的AI編碼模型與實際工作進行測試。
不是基準測試。不是LeetCode。不是「寫一個Python函數來排序一個列表。」而是真正的工作。需要處理邊緣案例的React組件。需要與第三方服務整合的API端點。不能丟失資料的資料庫遷移。那些在生產環境中實際會出錯的東西。
這是我們學到的。
方法論：沒有基準測試，只有戰鬥
我們給每個模型相同的任務：
1. 前端：建立一個具有即時資料視覺化、錯誤處理和可及性合規的響應式儀表板
2. 後端：設計一個具有身份驗證、快取和在負載下優雅降級的速率限制 API
3. 整合：使用適當的 TypeScript 類型、錯誤邊界和載入狀態將兩者連接起來
不需要手把手指導。沒有「逐步思考」的提示。只有一位資深工程師在週一早上會收到的規範。
我們在四個維度上得分：
• 正確性： 它是否在沒有錯誤的情況下運作？
• 完整性： 它是否處理邊界情況，還是僅僅處理理想情況？
• 可維護性：另一位工程師能在六個月內閱讀和修改這個嗎？
• 速度：從提示到可交付代碼需要多長時間？
排名：什麼贏了，為什麼
1. Fable — 那隻黑馬完成了「任務」
Fable 排名第一，老實說，我沒有預料到這一點。它不是最受追捧的模型，也沒有最大的參數數量。但 Fable 在這方面做得比其他任何人都好：它理解「可編譯的程式碼」與「可交付的程式碼」之間的差異。
在我們的前端任務中，Fable 在未被要求的情況下生成了錯誤邊界。它添加了加載骨架。它為螢幕閱讀器包含了適當的 ARIA 標籤。當我們要求後端時，它建立了速率限制與電路斷路器和當快取失敗時的後備策略。
這是個像資深工程師一樣思考的模型，而不是剛學會語法的初級工程師。
速度也非常驚人。Fable 在 12 分鐘內完成了我們的三個任務套件。下一個最快的是 Kimi K3，耗時 18 分鐘。
為什麼 Fable 獲勝：它生成可投入生產的程式碼。不是示範程式碼。不是教學程式碼。是能處理你在第一次生產故障後才會想到的邊緣案例的程式碼。
2. Kimi K3 — 可靠的工作馬
Kimi K3 是我實際上信任的生產程式碼模型。它不像 Fable 那樣「聰明」——它不會用你沒想到的優雅解決方案讓你驚訝。但它也不會用錯誤讓你驚訝。
1M 的上下文窗口是真正的殺手級功能。我們將整個程式碼庫（47K 行）餵給它，並要求它添加一個功能。它理解了模式，遵循了慣例，生成的程式碼看起來就像是我們團隊寫的。
Kimi K3 的優勢在於：長上下文任務、重構舊有程式碼、在大型專案中維持一致性。當「有效」比「驚艷」更重要時，這是你想要的模型。
權衡：K3 在綠地任務上比 Fable 慢。它需要時間來閱讀上下文、理解模式並生成合適的程式碼。但這段時間是值得的，因為你不會在三天後調試神秘的整合失敗。
3. Claude Opus 4.8 — 理論家
Opus 4.8 是房間裡最聰明的模型。它會解釋為什麼你的架構是錯誤的，建議三個更好的替代方案，並撰寫一篇關於權衡的白皮書。它也是最有可能將一個簡單的 CRUD 端點過度工程化為一個具有事件來源的分散式系統的模型。
Opus 問題：它太深思熟慮了。對於一個應該花 30 分鐘完成的任務，Opus 4.8 會花 20 分鐘在設計文檔上，15 分鐘在實作上，然後建議你重構整個程式碼庫以符合新的模式。
當你需要深入推理——複雜的演算法、架構決策、安全分析——Opus 4.8 是無與倫比的。當你需要在星期五之前交付時，它卻成為一個負擔。
成本現實檢查： Opus 4.8 很貴。就像，「也許我們應該再雇一位工程師」那麼貴。在 Aider 排行榜上，每 1000 個任務的價格為 65.75 美元，這是一個針對高級問題的高級工具。
4. Grok 4.5 — 速度惡魔，但有警告
Grok 4.5 很快。就像，實際上快。它在 8 分鐘內生成了我們的前端任務。代碼運行正常。看起來不錯。
但當我們對後端進行壓力測試時——以並發請求進行攻擊，模擬快取失敗，測試邊緣情況——Grok 的代碼開始出現問題。它在處理正常路徑時表現得很好。不正常的路徑？就不太行了。
Grok 是原型設計的模型，而不是生產使用的模型。如果你需要在下午驗證一個想法，Grok 能做到。如果你需要安心入睡，知道你的 API 不會在凌晨 3 點崩潰，那就去別處找吧。
xAI 因素：Grok 與 X/Twitter 數據的整合使其在即時上下文中具有優勢。但對於純粹的編碼來說，這種優勢並不轉化為更好的代碼質量。
5. Codex 5.5 — 專家
Codex 5.5 是當你將一個模型優化為僅僅一件事：代碼生成時的產物。它是這個列表中最好的純編碼器。語法完美，模式地道，變數名稱實際上是有意義的。
但如果要求它解釋為什麼它選擇了特定的方法，或者考慮技術決策的商業影響，它就會沉默。Codex 寫代碼。它不會思考代碼。
使用 Codex 的時機：你確切知道自己想要什麼，只需要快速輸入。這是世界上最昂貴的自動補全——有時，這正是你所需要的。
OpenAI 生態系統：當你已經在 OpenAI 堆疊中時，Codex 5.5 表現出色。與 ChatGPT 的整合、對 GPT 風格輸出的熟悉、一致的 API——這是一個舒適的選擇，而不是大膽的選擇。
6. Kimi 2.7 — 穩健的老將
Kimi 2.7 是我們在 K3 存在之前使用的模型。它可靠、一致且可預測。它不會讓你驚艷，但也不會讓你的程式碼庫崩潰。
誠實的評估：如果你可以使用 K3，則沒有理由使用 2.7。僅僅是上下文窗口（256K 對 1M）就使 K3 成為一種不同類別的工具。但對於使用舊計劃或有舊版整合的團隊來說，2.7 仍然是一位完全稱職的工程師。
價格正確：在 Aider 排行榜上，每 1000 個任務的價格為 1.24 美元，Kimi 2.7 是預算冠軍。它不是最好的，但它是最好的價值對於不需要尖端技術的團隊來說。
7. Claude Opus 4.6 — 前一代
Opus 4.6 感覺像是 4.8 輝煌的預覽，但缺乏精緻度。它有過度思考的傾向，但準確性較低。相同的架構雄心，但有更多的錯誤。
跳過它。如果你在 Anthropic 生態系統中，直接升級到 4.8。4.6 和 4.8 之間的差距不是漸進的 — 而是一個不同的模型類別。
8. GLM 5.2 — 區域競爭者
GLM 5.2 是你從未聽過的最佳模型 — 除非你在中國。它在處理我們的中文需求方面表現得比任何西方模型都要好，對當地 API 生態系統（微信、支付寶、釘釘）的理解確實令人印象深刻。
但對於通用開發呢？還可以。不算好。還可以。程式碼能運行，但它比較保守。它不會建議現代模式。它不會針對性能進行優化。它會給你一個在 2022 年能編譯和運行的解決方案。
智譜 AI 的角度：GLM 由智譜 AI 支持，智譜 AI 是中國領先的 LLM 實驗室之一。對於為中國市場開發的團隊來說，GLM 的文化和法規意識是一個真正的優勢。對於其他人來說，這是一個好奇的存在。
9. MiniMax — 進行中的工作
MiniMax 在我們的名單中排在最後，我對此感到抱歉，因為團隊顯然在努力。但努力並不等於交付。
生成的程式碼是... 功能性的。它編譯了。它運行了。但它錯過了每個其他模型捕捉到的邊緣案例。錯誤處理很少。TypeScript 類型很鬆散。當我們要求它為性能重構時，它使程式碼變得更慢。
MiniMax 可能會達到那個水平。但現在，它還不適合生產開發。
中國 LLM 的格局：MiniMax 是一個擁擠的領域的一部分，包括 Qwen、DeepSeek 和 GLM。在這樣的公司中，它正在努力區分。MiniMax 和 DeepSeek-V3.2（在 Aider 上為 74.2%）之間的程式碼質量差距非常明顯。
沒有人談論的模式
這是最讓我驚訝的：最好的模型並不是最大的模型。
Fable 並不是在最大的參數數量上運行。Kimi K3 也不是最昂貴的運行選擇。但兩者都理解一件更大的模型所忽略的事情：運送是一種心態，而不是一種能力。
我們名單上排名最高的模型有一個共同特徵：它們生成的代碼就像是其他人需要維護它一樣。它們會添加註解。它們會處理錯誤。它們會考慮那些只有在星期六凌晨 2 點才會出現的邊緣情況。
那些失敗的模型呢？它們生成的代碼就像是一場編程面試——解決問題，通過測試，然後繼續前進。這不是軟體的運作方式。這是軟體崩潰的方式。
**運送原則：** 最好的代碼不是最聰明的代碼。它是當原作者在度假而生產資料庫著火時，仍然有意義的代碼。
基準測試告訴我們什麼（以及為什麼我們忽略它們）
我提到過我們沒有使用基準測試。但在我們的測試之後，我確實查看了它們，以了解我們的經驗是否與排行榜數據相符。
Aider LLM 排行榜 (aider.chat/docs/leaderboards) 講述了一個有趣的故事：
| 模型 | Aider 分數 | 每 1K 任務成本 | 風格 | |-------|-------------|-------------------|-------| | GPT-5 (高) | 88.0% | $29.08 | diff | | o3-pro (高) | 84.9% | $146.32 | diff | | Gemini 2.5 Pro (32k 思考) | 83.1% | $49.88 | diff-fenced | | Grok 4 (高) | 79.6% | $59.62 | diff | | DeepSeek-V3.2-Exp | 74.2% | $1.30 | diff | | Claude Opus 4 (32k 思考) | 72.0% | $65.75 | diff | | Kimi K2 | 59.1% | $1.24 | diff | | Grok 3 Beta | 53.3% | $11.03 | diff | | GPT-4.1 | 52.4% | $9.86 | diff | | Claude 3.5 Sonnet | 51.6% | $14.41 | diff |
模式：最昂貴的模型（o3-pro 價格為 $146.32，Opus 4 價格為 $65.75）並不保證最佳結果。GPT-5 價格為 $29.08 的表現超過了這兩者。DeepSeek 價格為 $1.30 的表現為 74.2% — 幾乎與 Opus 4 的 72.0% 相匹配，但成本僅為其 1/50。
我們的經驗與此相符。Fable 和 Kimi K3 不是我們測試過的最昂貴模型。但它們是那些持續交付可用程式碼的模型。
這對你的團隊意味著什麼
如果你在 2026 年開發軟體，這是我的建議：
1. 對於綠地專案使用 Fable。當你從零開始並需要快速行動而不破壞一切時，Fable 的「資深工程師」直覺無與倫比。
2. 對於舊有工作使用 Kimi K3。1M 的上下文窗口意味著它實際上可以理解你現有的程式碼庫，而不僅僅是生成忽略你慣例的新程式碼。
3. 對於架構決策使用 Opus 4.8。當你設計需要擴展的系統時，當安全性很重要時，當你在做百萬美元的技術賭注時 — Opus 的深度值得過度思考。
4. 停止使用其他所有工具進行生產。Grok 用於原型。Codex 用於自動補全。但不要在沒有嚴格審查的情況下將它們的程式碼發送給用戶。
5. 考慮成本方程。在水星，我們為關鍵任務平行運行多個模型。使用 Kimi K3（$1.24/1K 任務）與 Opus 4.8（$65.75/1K 任務）的成本意味著我們可以在相同預算下迭代 50 倍。這不僅更便宜——而且更快。
更大的圖景
我們正在實時觀察編碼的商品化。「我可以寫代碼」與「我可以交付產品」之間的差距正在縮小。單一的 Builder 使用 Fable 或 Kimi K3 可以完成過去需要五人團隊才能做到的事情。
但問題是：這些模型在編碼方面的進步速度超過了大多數工程師使用它們的進步速度。
在 2026 年，成功的工程師不是那些寫最多代碼的人。他們是那些提出正確問題、批判性地審查生成代碼、並知道何時接受 AI 建議以及何時覆蓋它的人。
模型是工具。判斷仍然在於你。
或者正如楊文理所說：「獲勝的最有效方法是讓敵人失去戰鬥的意志。」在 2026 年，敵人是複雜性。獲勝的模型是那些能使複雜性可管理的模型。
水星科技解決方案: 加速數位化。
