LLM 编程能力排行：中文实战 + 前端人类偏好
编程能力没有单一标准答案。AA 在 2026 年 6 月改版后已不再单独发布 Coding Index， 只剩统一的 Intelligence 维度。本页保留两个更贴近真实体验的独立数据源： SuperCLUE 代码生成（中文 prompt 实战）和 LMArena WebDev Arena（前端代码人类盲测）。
数据源变更说明
AA 新版 leaderboard 把原来的 Intelligence / Coding / Agentic 三个子维度合并为一个 Intelligence 分数。 原页面里的 "AA Coding Index" 表格实际与 Intelligence 排名完全一致，继续展示会造成误导。 本页已移除该表。如果你需要国际通用的综合能力参考，请查看 性价比散点图 或 模型详情库。
中文代码生成，Claude Opus 4.8 第一。 SuperCLUE 代码生成 Claude-Opus-4.8(high) 拿到 83.58 分， 比 Gemini-3.1-Pro-Preview（81.47）高 2.11 分。 Anthropic 在中文 coding 场景里的优势，比在纯英文做题榜上更稳。
国内最强是 Qwen3.7-Max(Thinking)。 Qwen3.7-Max(Thinking) 以 79.69 分排国内第一， 超过 Kimi K2.6 Thinking 和 DeepSeek V4 Pro。阿里在中文代码任务上的追赶很明显。
前端人类偏好榜被 Claude 和 GLM 霸榜。 LMArena WebDev 前十里有 6 个 Claude、 1 个 GLM。 claude-fable-5 以 1649.26 Elo 排第一， 说明生成"人觉得好看、好用"的前端页面是另一套能力。
"做题"和"前端体验"继续倒挂。 GLM-5.1 在 SuperCLUE 代码生成里不算顶尖，但 WebDev 前十常有它。 如果你做的事是生成网页、React 组件，别只看代码生成分数。
SuperCLUE 中文代码生成 · Top 12
来源：SuperCLUE（2026-05，2026-05-31 抓取）。 题目以中文 prompt + 中文需求描述为主，更能反映"用中文跟模型对话、让它写代码"的实际体验。
| # | 模型 | 代码生成 | 属地 |
|---|---|---|---|
| 1 | Claude-Opus-4.8(high) Anthropic | 83.58 | 🇺🇸 |
| 2 | Gemini-3.1-Pro-Preview(high) Google | 81.47 | 🇺🇸 |
| 3 | Qwen3.7-Max(Thinking) 阿里巴巴 | 79.69 | 🇨🇳 |
| 4 | Claude-Opus-4.7(high) Anthropic | 79.01 | 🇺🇸 |
| 5 | Kimi-K2.6-Thinking 月之暗面 | 75.79 | 🇨🇳 |
| 6 | DeepSeek-V4-Pro(max) 深度求索 | 74.95 | 🇨🇳 |
| 7 | GPT-5.5(high) OpenAI | 72.88 | 🇺🇸 |
| 8 | GLM-5.1 智谱AI | 70.80 | 🇨🇳 |
| 9 | Gemini-3.5-Flash(high) Google | 70.66 | 🇺🇸 |
| 10 | Doubao-Seed-2.0-pro-260215(high) 字节跳动 | 67.63 | 🇨🇳 |
| 11 | MiMo-V2.5-Pro 小米集团 | 67.52 | 🇨🇳 |
| 12 | DeepSeek-V4-Flash(max) 深度求索 | 66.75 | 🇨🇳 |
Claude Opus 4.8(high) 拿到 83.58 分，领先第二名 2.11 分。 这和上一期 SuperCLUE 5 月榜的趋势一致：Anthropic 在中文代码生成上建立了明显优势。
国内第一是 Qwen3.7-Max(Thinking)（79.69 分），不是 Kimi 也不是 DeepSeek。 它排在 Claude Opus 4.7 之后、Kimi K2.6 Thinking 之前。阿里在 Qwen3.7 这一代的中文代码能力进步很明显。
DeepSeek V4 Pro 和 Flash 双双进前 12。 Pro 74.95 分， Flash 66.75 分， 差距 8.20 分。DeepSeek 的代码能力在国内仍是第一梯队，而且 Flash 的性价比极高。
SuperCLUE 代码生成 · 国内 Top 10
| # | 模型 | 代码生成 | 机构 |
|---|---|---|---|
| 1 | Qwen3.7-Max(Thinking) | 79.69 | 阿里巴巴 |
| 2 | Kimi-K2.6-Thinking | 75.79 | 月之暗面 |
| 3 | DeepSeek-V4-Pro(max) | 74.95 | 深度求索 |
| 4 | GLM-5.1 | 70.80 | 智谱AI |
| 5 | Doubao-Seed-2.0-pro-260215(high) | 67.63 | 字节跳动 |
| 6 | MiMo-V2.5-Pro | 67.52 | 小米集团 |
| 7 | DeepSeek-V4-Flash(max) | 66.75 | 深度求索 |
| 8 | Qwen3.6-Max-Preview(Thinking) | 66.21 | 阿里巴巴 |
| 9 | Step-3.7-Flash | 65.33 | 阶跃星辰 |
| 10 | Qwen3.6-27B(Thinking) | 63.43 | 阿里巴巴 |
前五名分差 12.06 分。 Qwen3.7-Max、Kimi K2.6、DeepSeek V4 Pro、GLM-5.1、豆包 pro 挤在 67-80 分区间， 选谁要看你更在意中文理解、长上下文、价格还是多模态。
LMArena WebDev Arena · 前端开发人类偏好 Top 10
来源：LMArena， 抓取于 2026-07-11。WebDev Arena 让真人盲测对比两个模型生成的网页前端代码， 用 Elo 系统算分——测的是"人类觉得哪个代码效果更好"，不是做题。
| # | 模型 | WebDev Elo | 厂商 |
|---|---|---|---|
| 1 | claude-fable-5 claude | 1649.26 | claude |
| 2 | gpt-5.6-sol-xhigh gpt | 1635.98 | gpt |
| 3 | glm-5.2 (max) glm | 1579.62 | glm |
| 4 | grok-4.5 grok | 1565.94 | grok |
| 5 | claude-opus-4-8 (thinking) claude | 1559.93 | claude |
| 6 | claude-opus-4-7 (thinking) claude | 1556.95 | claude |
| 7 | claude-opus-4-7 claude | 1556.78 | claude |
| 8 | claude-sonnet-5-high claude | 1543.14 | claude |
| 9 | claude-opus-4-6 (thinking) claude | 1543.13 | claude |
| 10 | muse-spark-1.1 muse | 1539.95 | muse |
Claude Fable 5 以 1649.26 Elo 登顶 WebDev。 这是 Anthropic 最新一代模型在前端人类偏好上的强势表现。Claude 系列在前 10 里占了 6 席。
GLM-5.2 冲到第二（1635.98 Elo）。 智谱的前端工程能力被 SuperCLUE 代码生成分数严重低估了。如果你用 GLM 写网页、做可视化， 实际体验可能比它在代码生成榜上的位置暗示的要好。
WebDev 和中文代码生成榜的差异很大。 比如 GPT-5.5 在 SuperCLUE 代码生成里不算顶尖，但前端偏好里仍有一定位置； 而 Qwen3.7-Max 中文代码生成国内第一，WebDev 前十却没出现。 这说明"写中文需求对应的代码"和"生成人觉得好看的前端"是两个维度。
按场景选：4 个常见编程组合
方法学说明 / 这份榜不能告诉你的事
- AA Coding Index 已取消。2026 年 6 月 AA leaderboard 改版后，原 Coding Index 被合并进统一的 Intelligence 维度。本页不再展示 AA Coding 子榜。
- SuperCLUE 是中文实战分数。题目以中文 prompt 为主，更能反映国内开发者的实际体验，但不覆盖英文做题或复杂算法竞赛。
- WebDev Arena 是"人类偏好"分数。真人盲测哪个前端代码更好看/好用，和代码生成分数经常倒挂。前端场景优先看这个。
- 国外模型在 SuperCLUE 里标为参考分。本表按实际分数排序，和官方排名的处理方式不同。
- 版本号不一致。SuperCLUE 录的是 Claude Opus 4.8 / Qwen3.7-Max / Kimi K2.6 等，WebDev 里还有不同变体。结论按家族看。
- 数据 2026-05-31 / 2026-07-11 抓取。编程模型迭代快，本页跟着数据源更新。
想接下来做什么
- 跳到 Agent 能力排行 看中文任务规划维度。
- 去 性价比散点图 看综合能力 × 价格分布。
- 查 模型详情库 看每个模型的多源数据聚合。
- 拿 2-3 个候选跑自己的真实需求——榜单只能缩小范围，最终选型要靠实测。