LLM 编程能力排行：三份独立榜单交叉看
AA Coding Index（国际做题基准）、SuperCLUE 代码生成（中文场景）、LMArena WebDev（前端人类偏好） 三份独立榜单并列展示。它们对同一个模型的判断经常差几位—— 这恰恰是需要看三份榜的理由。
做题（AA）：前 6 名清一色国际厂商（OpenAI 4 款、Anthropic 2 款、Google 1 款）， 国内最强 DeepSeek V4 Pro 排第 7，落后榜首 GPT-5.5 共 11.65 分， 但便宜 8.6 倍（$3.48 vs $30 输出价/M）。
中文（SuperCLUE）：字节豆包在 AA 几乎看不见， SuperCLUE 中文代码却拿到 63.93 排第 5，超越所有国内同行——中文场景优化值得单独跟踪。
前端体验（WebDev）：Claude 系列占前 6 里的 5 席， GLM-5.1 冲到第 5 夹在 Claude 旗舰之间，但 AA Coding 只排第 14—— 前端工程能力被做题分数严重低估。
性价比：DeepSeek V4 Flash 单位美元买到的 Coding Index 是榜首的 70 倍——但 38.71 的绝对分数只够辅助补全，写复杂代码还是要往上选。
AA Coding Index 全球榜 · Top 20
来源：Artificial Analysis， 抓取于 2026-05-12。Coding Index 综合自 SciCode、TerminalBench Hard、GDPval-AA 等公开编程基准， 推理模型按"开 reasoning"档位计分。
| # | 模型 | Coding | 输出价 $/M | 国 |
|---|---|---|---|---|
| 1 | GPT-5.5 OpenAI | 59.12 | $30.00 | 🇺🇸 |
| 2 | Gemini 3.1 Pro Preview Google | 55.50 | $12.00 | 🇺🇸 |
| 3 | GPT-5.3 Codex OpenAI | 53.10 | $14.00 | 🇺🇸 |
| 4 | Claude Opus 4.7 Anthropic | 52.51 | $25.00 | 🇺🇸 |
| 5 | GPT-5.4 mini OpenAI | 51.48 | $4.50 | 🇺🇸 |
| 6 | Claude Sonnet 4.6 Anthropic | 50.94 | $15.00 | 🇺🇸 |
| 7 | DeepSeek V4 Pro DeepSeek | 47.47 | $3.48 | 🇨🇳 |
| 8 | Kimi K2.6 Kimi | 47.12 | $4.00 | 🇨🇳 |
| 9 | GPT-5.4 OpenAI | 45.57 | $15.00 | 🇺🇸 |
| 10 | MiMo-V2.5-Pro Xiaomi | 45.53 | $3.00 | 🇨🇳 |
| 11 | Qwen3.6 Max Preview Alibaba | 44.92 | $7.80 | 🇨🇳 |
| 12 | GLM-5 Z AI | 44.18 | $3.20 | 🇨🇳 |
| 13 | GPT-5.4 nano OpenAI | 43.91 | $1.25 | 🇺🇸 |
| 14 | GLM-5.1 Z AI | 43.37 | $4.40 | 🇨🇳 |
| 15 | Qwen3.6 Plus Alibaba | 42.87 | $3.00 | 🇨🇳 |
| 16 | Gemini 3 Flash Google | 42.62 | $3.00 | 🇺🇸 |
| 17 | MiMo-V2.5 Xiaomi | 42.13 | $1.80 | 🇨🇳 |
| 18 | MiniMax-M2.7 MiniMax | 41.93 | $1.20 | 🇨🇳 |
| 19 | Grok 4.3 xAI | 41.03 | $2.50 | 🇺🇸 |
| 20 | DeepSeek V4 Flash DeepSeek | 38.71 | $0.28 | 🇨🇳 |
榜首到第 6 名清一色美国厂商，国内第一档（DeepSeek V4 Pro / Kimi K2.6）跟前 6 还差 4-12 分。 这个差距在 Intelligence Index 上是 6-9 分——编程能力上的差距比通用能力差距更大， 国内厂商在数学推理、长上下文这些维度追得很快，唯独 coding 单项一直是国际厂商的护城河。
但价格差距把这件事拉平了：DeepSeek V4 Pro 用 $3.48 拿到 47.47 分，单位美元 13.6 分；GPT-5.5 用 $30 拿到 59.12 分， 单位美元 2.0 分。跑量场景多花 8 倍钱去买多 12 分智能未必划算——见下面的性价比表。
AA Coding Index 国内 Top 10
把上面的全球榜筛出国内厂商单独看，国内"编程档"的内部排序一目了然。
| # | 模型 | Coding | 输出价 $/M |
|---|---|---|---|
| 1 | DeepSeek V4 Pro DeepSeek | 47.47 | $3.48 |
| 2 | Kimi K2.6 Kimi | 47.12 | $4.00 |
| 3 | MiMo-V2.5-Pro Xiaomi | 45.53 | $3.00 |
| 4 | Qwen3.6 Max Preview Alibaba | 44.92 | $7.80 |
| 5 | GLM-5 Z AI | 44.18 | $3.20 |
| 6 | GLM-5.1 Z AI | 43.37 | $4.40 |
| 7 | Qwen3.6 Plus Alibaba | 42.87 | $3.00 |
| 8 | MiMo-V2.5 Xiaomi | 42.13 | $1.80 |
| 9 | MiniMax-M2.7 MiniMax | 41.93 | $1.20 |
| 10 | DeepSeek V4 Flash DeepSeek | 38.71 | $0.28 |
DeepSeek V4 Pro 在国际通用代码基准上稳坐国内第一，Kimi K2.6 紧随其后只差 0.35 分—— 这两家是"严肃代码工作流"的国内首选。第二档 MiMo-V2.5-Pro / Qwen3.6 Max / GLM-5 三家在 43-46 分扎堆， 差距小到选谁主要看接入便利度和定价。
注意 DeepSeek V4 Flash 排在最末（38.71）， 但 $0.28 的价格让它成为"批量代码补全、AI IDE 上下文助手"这种容错任务的极致性价比选择—— 只是别拿它写支付网关那种关键模块。
SuperCLUE 中文代码生成 · Top 12
来源：SuperCLUE（2026年3月）。 SuperCLUE 是中文场景测评，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-4.6(max) Anthropic | 71.15 | 🇺🇸 |
| 2 | Gemini-3.1-Pro-Preview(high) Google | 69.78 | 🇺🇸 |
| 3 | Kimi-K2.5-Thinking 月之暗面 | 65.50 | 🇨🇳 |
| 4 | Gemini-3-Flash-Preview(high) Google | 63.94 | 🇺🇸 |
| 5 | Doubao-Seed-2.0-pro-260215(high) 字节跳动 | 63.93 | 🇨🇳 |
| 6 | DeepSeek-V4-Pro(max) 深度求索 | 63.24 | 🇨🇳 |
| 7 | DeepSeek-V4-Flash(max) 深度求索 | 61.43 | 🇨🇳 |
| 8 | DeepSeek-V3.2-Thinking 深度求索 | 60.43 | 🇨🇳 |
| 9 | MiMo-V2-Pro 小米集团 | 59.61 | 🇨🇳 |
| 10 | MiniMax-M2.7 稀宇科技 | 58.74 | 🇨🇳 |
| 11 | GLM-5 智谱AI | 58.32 | 🇨🇳 |
| 12 | Tencent HY 2.0 Think 腾讯 | 57.58 | 🇨🇳 |
中文场景下，国际厂商的优势从 AA 的 12 分缩小到 SuperCLUE 的 5-8 分—— Claude Opus 4.6（max）拿到 71.15 排第 1，Gemini 3.1 Pro 第 2（69.78）， 国内 Kimi K2.5 Thinking（65.50）顶到第 3，比国际第二名只差 4.3 分。
一个反直觉的发现：字节豆包 Doubao-Seed-2.0-pro 在 SuperCLUE 中文代码拿 63.93， 但 AA Coding 榜上完全没有它的位置——豆包不在 Artificial Analysis 评测列表里。 这不是豆包国际差，是豆包没参加（或没被收录）那场考试。 想用中文写代码、考虑豆包的，要专门看 SuperCLUE 这份榜。
LMArena WebDev Arena · 前端开发人类偏好 Top 10
来源：LMArena， 抓取于 2026-05-12。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 | 差异 |
|---|---|---|---|
| 1 | claude-opus-4-7 (thinking) claude | 1570 | AA 无数据 |
| 2 | claude-opus-4-7 claude | 1560 | AA 无数据 |
| 3 | claude-opus-4-6 (thinking) claude | 1549 | AA 无数据 |
| 4 | claude-opus-4-6 claude | 1544 | AA 无数据 |
| 5 | glm-5.1 glm | 1531 | — |
| 6 | claude-sonnet-4-6 claude | 1524 | AA 无数据 |
| 7 | kimi-k2.6 kimi | 1523 | — |
| 8 | muse-spark muse | 1509 | AA 无数据 |
| 9 | gpt-5.5-high gpt | 1491 | AA 更强 |
| 10 | claude-opus-4-5-20251101 (thinking) claude | 1490 | AA 无数据 |
Claude 系列在 WebDev 上的统治力比 AA Coding 更强。 Opus 4.7 占前 2 名，Opus 4.6 占第 3-4 名，Sonnet 4.6 第 6—— 前 6 名里有 5 个是 Claude。这说明 Anthropic 的模型在"生成人类觉得好看、好用的前端页面"这个维度上， 优势比单纯"做题"更大。
GLM-5.1 是 WebDev 里最大的黑马。 它在 AA Coding 只排第 14（43.37 分），但在 WebDev 冲到第 5 名（1531 Elo）， 夹在 Claude Opus 4.6 和 Sonnet 4.6 之间。智谱的前端工程能力被做题分数严重低估了—— 如果你用 GLM 写网页、做可视化，实际体验可能比 43.37 这个数字暗示的要好得多。
GPT-5.5 的做题分数和前端体验倒挂。 AA Coding 全球第 1（59.12），WebDev 只排第 9（1491）。 不是 GPT-5.5 前端差，是 Claude 系列在前端这个场景的人类偏好上拉开了差距。 如果你要"生成一个 landing page"或者"把 Figma 设计稿转成代码"， Claude Opus 4.7 的盲测胜率比 GPT-5.5 高得多。
Meta muse-spark 在 AA 没有 Coding 数据。 WebDev 第 8 名（1509），但 Artificial Analysis 没给它跑 Coding Index—— 又一个"榜单覆盖不全面"的案例。选模型时如果只看单一数据源，很容易漏掉这种"某维度很强但没被测"的候选。
编程性价比 Top 12（按 Coding/$ 排序）
用 AA Coding Index 除以输出价格，得到"每花一美元能买到多少编程智能"的粗略指标。这只代表跑量场景的成本视角，绝对分数仍要看上面的全球榜。
| # | 模型 | Coding | 输出价 | Coding/$ | 国 |
|---|---|---|---|---|---|
| 1 | DeepSeek V4 Flash DeepSeek | 38.71 | $0.28 | 138.3 | 🇨🇳 |
| 2 | GPT-5.4 nano OpenAI | 43.91 | $1.25 | 35.1 | 🇺🇸 |
| 3 | MiniMax-M2.7 MiniMax | 41.93 | $1.20 | 34.9 | 🇨🇳 |
| 4 | MiMo-V2.5 Xiaomi | 42.13 | $1.80 | 23.4 | 🇨🇳 |
| 5 | Grok 4.3 xAI | 41.03 | $2.50 | 16.4 | 🇺🇸 |
| 6 | MiMo-V2.5-Pro Xiaomi | 45.53 | $3.00 | 15.2 | 🇨🇳 |
| 7 | Qwen3.6 Plus Alibaba | 42.87 | $3.00 | 14.3 | 🇨🇳 |
| 8 | Gemini 3 Flash Google | 42.62 | $3.00 | 14.2 | 🇺🇸 |
| 9 | GLM-5 Z AI | 44.18 | $3.20 | 13.8 | 🇨🇳 |
| 10 | DeepSeek V4 Pro DeepSeek | 47.47 | $3.48 | 13.6 | 🇨🇳 |
| 11 | Kimi K2.6 Kimi | 47.12 | $4.00 | 11.8 | 🇨🇳 |
| 12 | GPT-5.4 mini OpenAI | 51.48 | $4.50 | 11.4 | 🇺🇸 |
排第 1 的 DeepSeek V4 Flash 是数量级的极端值（138 分/$，是第 2 名的 4 倍）， 但 38.71 的绝对 coding 分数偏低——写算法题、复杂业务逻辑会感到力不从心。 它真正合适的场景是：高频率代码补全、注释生成、单元测试样板这种"格式重于聪明"的事。
性价比"甜区"在第 2-7 名（ratio 14-35）：GPT-5.4 nano、 MiniMax-M2.7、 MiMo-V2.5 / V2.5-Pro、 Qwen3.6 Plus、 Gemini 3 Flash、 GLM-5 全部聚集在这里。 coding 分数 42-44 已经够日常开发用，价格压在 $1.20-3.20 区间，月跑几亿 token 也烧不掉多少。
榜上完全看不到 Claude Opus 4.7、 Claude Sonnet 4.6—— 它们在 LMArena WebDev 榜（真人偏好测代码体验）常年前列，但 AA Coding Index 是"做题"维度， Claude 系列在做题维度的性价比一直不如它在"长链路代码工程"里的实际表现。 如果你做的是真实工程而不是算法竞赛，Claude 系列值得单独评估，别只看这张表。
三榜对照：哪个维度最利好你的场景
三份榜单测的不是一回事：AA 是英文做题，SuperCLUE 是中文实战，WebDev 是前端人类偏好。 同一个模型在三份榜上的相对位置不同，差异越大说明它越偏科。
SuperCLUE 中文代码前 10、AA 前 10 看不见
- Doubao-Seed-2.0-pro-260215(high)（字节跳动） · SuperCLUE 代码 63.93 · 在 AA Coding Top 10 里找不到对应家族
- MiniMax-M2.7（稀宇科技） · SuperCLUE 代码 58.74 · 在 AA Coding Top 10 里找不到对应家族
- GLM-5（智谱AI） · SuperCLUE 代码 58.32 · 在 AA Coding Top 10 里找不到对应家族
- Tencent HY 2.0 Think（腾讯） · SuperCLUE 代码 57.58 · 在 AA Coding Top 10 里找不到对应家族
- MiniMax-M2.5（稀宇科技） · SuperCLUE 代码 55.33 · 在 AA Coding Top 10 里找不到对应家族
这批模型有两种可能：要么是国内厂商专门针对中文 prompt 调优、在中文场景下确有特长（豆包、腾讯混元尤其典型）； 要么是它们干脆没参加 AA 那场考试。两种情况都意味着—— 只看一份榜单做不出对它们的可靠判断，跨场景使用前最好自己跑一两个真实需求。
AA 国际榜前列、SuperCLUE 中文榜断档
GPT-5.5、GPT-5.3 Codex、 GPT-5.4 mini 都在 AA Coding 全球前 6， 但 SuperCLUE 这一期的榜里 GPT-5 系列只录了 GPT-5.4(xhigh)（中文代码 52.05，整张代码榜第 17）， 比 Claude / Gemini 在中文场景里落了一截。OpenAI 在中文 prompt 的指令遵循上一直不如 Anthropic / Google 稳定， 这条经验在编程任务上也成立。如果你是"全中文写需求 + 让模型直接输出生产代码"的工作流， Claude Opus / Gemini 3.1 Pro 比 GPT-5.5 更值得首选。
WebDev 前 10、AA Coding 位置倒挂
Claude Opus 4.7 WebDev 第 1-2 名，AA Coding 只排第 4； GLM-5.1 WebDev 第 5 名，AA Coding 只排第 14。 两个模型都是"前端体验 > 做题分数"的典型——如果你做的事情是生成网页、React 组件、CSS 动画， 它们的实际表现比 AA Coding 数字暗示的强得多。
反过来，GPT-5.5 AA Coding 第 1，WebDev 只排第 9。 这不是 GPT-5.5 前端差，是 Claude 在前端人类偏好上拉开了断层。 算法题和前端落地是两回事，选模型前先想清楚自己主要在干嘛。
按场景选：5 个常见组合
方法学说明 / 这份榜不能告诉你的事
- AA Coding Index 是"做题"分数。包含 SciCode、TerminalBench、GDPval-AA 等基准，但不覆盖真实工程能力（多文件改动、调试、需求理解）。算法题前列的模型未必能搞定真实代码库。
- WebDev Arena 是"人类偏好"分数。真人盲测对比两个模型生成的网页，选"更好看/更好用"的那个。它和 AA Coding 经常倒挂——Claude 系列在 WebDev 上统治力更强，GPT-5.5 做题第一但前端体验只排第 9。
- SuperCLUE 国外模型不参与排名。SuperCLUE 把国外模型标"不参与排名只做参考"，所以"代码生成 71.15"的 Claude Opus 4.6 在它的官方排名里不算第一。本表按代码生成分数实际值排序，参考分也一起列。
- 三个榜单的模型版本可能不一致。SuperCLUE 这期录的是 Kimi K2.5 Thinking，AA 录的是 Kimi K2.6，WebDev 里还有 Opus 4.6/4.7 的不同变体——同一家厂商的不同代际同时出现在两边。结论参考时按"家族"看，别死磕版本号。
- 推理模型按高档位计分。同一个模型 reasoning effort 不同档位（xhigh/high/medium/low）AA 拆开排，本表按 base 模型只保留分数最高的变体。实际部署若用 medium 或更低，分数和价格都会下降。
- 国内可用性没单独列。Claude Opus 4.7 在 AA 前 4，但官方不支持国内调用——要么走 Bedrock / Vertex 海外节点（合规风险），要么用第三方聚合（稳定性看运气）。详情见 国内 API 开通指南。
- 数据 2026-05-12 / 2026-05-12 抓取。编程模型迭代特别快（GPT-5.5、Claude 4.7、Kimi K2.6 都是最近 1-2 个月发布），本页跟着数据源每月更新。
想接下来做什么
- 看完编程榜，跳到 性价比散点图 把通用智能维度也叠加比较。
- 选定 2-3 个候选，去 2026 Q2 选型盘点 看具体场景表现。
- 查 完整价格表 对照输入价、上下文长度、国内可用性。
- 开通账号、跑两个真实需求自测——榜单只能帮你排除 80% 候选，最后一里还是要自己跑。