结论先讲：日常用 Claude Code / Codex 写代码，不该再把「SWE-bench 第一」当成选主力的唯一尺子。2026 年更靠谱的公开组合是 Terminal-Bench + SWE-rebench/DeepSWE + 成本看板；最终判决还得回到你自己的仓库任务。
你要评的不是“会写函数”，是“能长期当工程师”
如果你的用法是：
- 打开 Claude Code / Codex / OpenCode
- 丢给它一个真实仓库
- 让它自己读代码、改多文件、跑测试、看报错、再改
- 顺手碰 Docker、Git、Linux、部署
那你评的对象就不是传统 coding model，而是 Software Engineering Agent。
HumanEval 那种「根据 docstring 写一个函数」当然还能测智力的边角，但和你每天的工作流几乎不是同一种运动。
2026 年榜单格局变了什么
粗线条是这条进化链：
会聊天 → 会写代码 → 会当 coding agent → 想当自动软件工程师
对应评测也在换代：
- 函数生成榜（HumanEval / MBPP）——多数已经顶满，区分不动前沿模型。
- 仓库 issue 榜（SWE-bench 家族）——曾经是标准答案；Verified 子集在 2026 被证明污染、测例质量、饱和三重问题。OpenAI 甚至公开写了为什么不再用 SWE-bench Verified 衡量前沿 coding。
- 终端与长程 agent 榜（Terminal-Bench、DeepSWE、SWE-rebench）——更接近真实 agent 闭环，并且开始认真报 每题成本 / token / 步数。
一句话：评测中心已经从「写得对不对」挪到「在环境里能不能闭环，以及花多少钱闭环」。
只盯三个公开榜就够了
第一优先：Terminal-Bench
官网：tbench.ai
它测的是 agent 在终端里装依赖、改文件、跑命令、完成任务的能力。形态上最像你每天开着的 Claude Code / Codex。
2026-08 我在 2.1 榜 看到的切片大意是：
- Claude Code + Fable 5：约 83.8%
- Codex + GPT-5.5：约 83.1%
- 同模型换 agent，名次和成本都会动
读法很重要：不要只看全场第一。先看你实际在用的 harness 那一行。
第二优先：SWE-rebench，并排看 DeepSWE
- SWE-rebench：按时间窗口滚新鲜 GitHub 问题，抗“背题”；榜上直接给成功率、Pass@5、每题美元、每题 token。
- DeepSWE：偏原创长程工程任务，同时报成本、输出 token、agent 步数。
这两个比“已经挤到 90%+ 的 SWE-bench Verified”更适合 2026 年做横向筛选。
例如 SWE-rebench 某一窗口里，头部模型成功率可能都在 60% 上下，但每题成本能差好几倍——这才是选日常主力时真正刺痛的地方。DeepSWE 上也常见：有的模型 70% 出头但很贵，有的略低却便宜一个数量级。
需要更硬、更抗污染的静态天花板时，再补 SWE-bench Pro（Scale，copyleft 公集 + 私有仓设计）。
第三优先：Artificial Analysis Coding Agent Index
它把 DeepSWE、Terminal-Bench v2、SWE-Atlas-QnA 等权合成，并强调 cost per task。适合当“快速仪表盘”，不适合当唯一真理。
如果只能盯一个
Terminal-Bench，而且固定看你自己的 harness。
原因很朴素：你 80% 的时间都活在“终端 agent 循环”里。一个模型如果在这个形态上不稳，SWE 旧榜再高也救不了日常体感。
为什么榜一不等于最好用
常见错位：
- Verified 很高：可能吃到了老题、特化 harness，或“过测例但不可 merge”。
- 竞赛榜很高：算法强，大仓改不动。
- 绝对分高一点：token 翻倍，日耗受不了。
- 某官方 scaffold 第一：换到 Claude Code 的工具协议就掉。
背后还有一个被严重低估的变量：harness dependence（脚手架依赖）。
Princeton 的 HAL 把成绩拆成「模型 × scaffold × benchmark」。同模型换 scaffold，分差可以到几十个百分点。所以：
- 比模型，必须固定 harness
- 比 harness，必须固定模型
- 厂商不说清楚 scaffold / 重试 / best-of-N 的分数，当营销看
冲突时怎么判
假设：
- A 在 SWE 第一
- B 在 Terminal-Bench 第一
- C 在 LiveCodeBench 第一
按这个顺序：
- 你固定 harness 上的 Terminal-Bench
- SWE-rebench / DeepSWE 的 成功单价（钱和 token）
- 你自己的私有任务集终审
- LiveCodeBench 默认没有投票权，除非你大量写竞赛型算法
哪些榜可以直接放过
- HumanEval / MBPP：饱和 + 和工作流不匹配
- 把 SWE-bench Verified 当 2026 唯一主依据
- 没披露 harness 的发布会数字
- OSWorld / GAIA / 浏览器 agent 榜：除非你主业就是 computer-use
LiveCodeBench 可以当“还聪不聪明”的旁证，别当选 Claude Code 主力的主证据。
真正该优化的 KPI
别再只优化 Accuracy。日常主力更该看：
- 任务最终成功率（仓库终态，不是最后一句回复）
- 每个成功任务花多少钱
- 每个成功任务烧多少 token
- 每个成功任务要等多久
- 长任务会不会中途跑偏
- 回归率、人工接管次数
一句话：
在我的 Claude Code 工作流里，每成功完成一个真实软件工程任务，要花多少钱、多少时间、多少次人工救场？
公开榜只是滤网，私有套件才是判决
没有任何单一公开榜能完整代表一个人的仓库分布、权限边界和工程审美。比较诚实的流程是：
- 用 Terminal-Bench + SWE-rebench/DeepSWE + 成本看板，筛出 4–6 个候选
- 固定 Claude Code（或你主用的 agent）
- 用 20–30 道自己的题做终审：修 bug、加功能、重构、Docker、Git、API、长任务
- 按「成功率 × 成本 × 长程稳定性」定 Primary / Reasoning / Fast 三档路由
是的，我更建议 模型路由，而不是迷信一个绝对主力包打天下。
你要评的四台候选：Grok 4.6 / Qwen3.8-Max / DeepSeek-V4 Pro / GLM-5.2
上面讲的是尺子。尺子定完，才轮到你点名的这四个日常候选。
数据以 2026-08-13 能打开的官方页为准；DeepSeek-V4 Pro 0813 如果是窗口之后的热修，公开滚动榜可能还没吃进去，下面会标明。
先看 DeepSWE（长程工程 + 每题成本）
来源：deepswe.datacurve.ai（v1.1，页面标注更新到 2026-08-13）
| 模型 | 档位 | Pass@1 | 约 $/题 | 约输出 token | 约步数 | 怎么读 |
|---|---|---|---|---|---|---|
| Grok 4.6 | xhigh | 67% ±2% | $5.50 | 71k | 87 | 四家里成功率最高档之一，单价中等偏高 |
| DeepSeek-V4 Pro | max | 63% ±6% | $0.06 | 106k | 155 | 成功率接近头部，成功单价极低；步数偏多、方差更大 |
| Qwen3.8-Max | xhigh | 57% ±3% | $3.73 | 95k | 111 | 中上成功率，价格中等 |
| GLM-5.2 | max | 44% ±2% | $3.92 | 78k | 129 | 这张长程工程榜上偏弱，不宜只靠它吹“工程全能” |
对照锚点（同页）：Claude Opus 5 max 约 74% / $11.84；GPT-5.6 Sol max 约 73% / $8.39。
也就是说：这四台里，没有谁在 DeepSWE 上碾压闭源第一梯队；但 DeepSeek-V4 Pro 的 $/成功 非常好看。
再看 SWE-rebench（新鲜仓库 issue + $/题）
来源：swe-rebench.com
页面窗口切片：2026-05-15 → 2026-07-01（111 problems / 65 repos）
| 模型 | Resolved | Pass@5 | $/题 | 备注 |
|---|---|---|---|---|
| GLM-5.2 high | 62.9% ±1.19% | 81.1% | $1.40 | 四家里（在该窗有分的）成功率最高，Pass@5 也最猛 |
| Grok 4.5 high | 63.8% | 77.5% | $1.47 | 有 4.5，没有 Grok 4.6 行 |
| DeepSeek-V4 Pro high | 40.2% ±1.29% | 64.0% | $0.15 | 成功率明显低于 GLM，但很便宜 |
| Qwen3.8-Max | — | — | — | 该窗未上榜（只有 Qwen3.6 小模型档） |
| Grok 4.6 | — | — | — | 该窗未上榜 |
读法：
- GLM-5.2 更像“新鲜真实 issue 修补很稳”的日常主力候选。
- DeepSeek-V4 Pro 在这张榜上成功率一般，但极便宜——更像高性价比 / 子 agent / 大规模试错。
- Grok 4.6、Qwen3.8-Max 不能拿这个窗口直接定生死，缺行 ≠ 很差，只是公开滚动窗还没给你可比数据。
- DeepSeek-V4 Pro 0813：若是 8 月中热更，上述 rebench 窗口天然覆盖不到；0813 相关宣传分（尤其 Terminal-Bench）先当厂商/二手信号，等官方 harness 复测再信。
Terminal-Bench 上这四台呢？
Terminal-Bench 2.1 已验证榜 当前展示的是 Claude Code / Codex / Cursor / Terminus 等行，没有把 Grok 4.6、Qwen3.8-Max、DeepSeek-V4 Pro 0813、GLM-5.2 完整放进同一张已验证主表。
2.0 历史榜里更多是旧版 GLM/DeepSeek/Qwen/Grok，不能拿来代表 4.6 / 3.8-max / V4 Pro / 5.2 今日体感。
所以对这四个候选，Terminal-Bench 的正确用法不是“看现成名次”，而是：
你自己用 Claude Code（或 Codex）挂这四个模型，按官方 harbor 协议各跑一轮。
这正是 TB 的设计目的：agent × model 一起测。
四台候选的实用排位（在“公开数据 + 你的用法”下）
这不是最终名次，是 shortlist 建议——最终仍要过你的 Claude Code 私有题。
GLM-5.2 — 最像“日常主 agent”的公开信号
rebench 成功率顶格；DeepSWE 一般说明它更吃“issue/仓库修补”分布，长程原创工程不是强项。适合先当 Primary 候选。DeepSeek-V4 Pro（含你说的 0813）— 最像“便宜强力工兵”
DeepSWE 成功率尚可且 $ 极低；rebench 成功率一般。适合 大规模子任务 / 初筛 / 穷举修补，0813 是否把终端 agent 拉上天，必须你本地 TB/私有题验收。Grok 4.6 — DeepSWE 四家里最能打的上限型
长程工程成功率最好看，但更贵；rebench 还缺 4.6 行。适合当 难任务 / Reasoning 档 候选，不急着全量替换日用。Qwen3.8-Max — 中位均衡，数据最不齐
DeepSWE 中上、单价中等；rebench/TB 公开行不足。值得进私有终审，但现在还不够格只靠公开榜封神或淘汰。
和闭源锚点怎么比（避免自我安慰）
同日 DeepSWE 上，Opus 5 / GPT-5.6 Sol 仍在 ~70%+ 且更贵。
对你这种“长期 agent 开发”：
- 若预算紧、任务可并行： GLM-5.2 主 + DeepSeek-V4 Pro 子 很合理
- 若单次难度高、愿意加钱：把 Grok 4.6 放进难任务路由
- Qwen3.8-Max 先当对照，跑完你自己的 20 题再决定是否挤进主路由
针对这四台的最小验收清单（比再刷榜有用）
固定 Claude Code，每模型同一套题：
- 3 个真实多文件 bug
- 2 个加功能 + 测试
- 2 个 Docker/WSL/依赖坑
- 1 个 90 分钟长任务
- 记录：成功率、$/成功、是否跑偏、工具调用是否炸格式
谁赢，谁当主力。公开表只负责告诉你：这四个都值得测，且测的时候别再用 HumanEval 决胜。
给你的可执行答案
重点追踪：
- Terminal-Bench
- SWE-rebench / DeepSWE
- Artificial Analysis Coding Agent Index（必要时加 SWE-bench Pro）
第一优先级：Terminal-Bench（看你自己的 harness 行）。
对你点名的四台：公开信号目前更偏向「GLM-5.2 主日常 / DeepSeek-V4 Pro 打性价比 / Grok 4.6 攻坚 / Qwen3.8-Max 待补数」。
别再把 HumanEval、MBPP、已经饱和的 SWE-bench Verified 当作主要决策依据。
公开榜负责减少噪音；你自己的任务集负责做决定。
调研时点：2026-08-13。榜上具体分数会周更；DeepSeek-V4 Pro 0813 等热更以你本地复测为准。框架比单次名次更耐用。