从自然语言指令从零生成完整多文件代码仓库的长程评测，考 Agent 持续自我迭代直至可运行的能力
只给一份自然语言需求文档和空目录，从零生成可安装的完整 Python 库，按测试通过率计分（0-100，越高越好）；最强 agent 平均不足 40%、几乎无人能完整建库——「从 0 建 repo」能力的对照锚点。
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
共收录 15 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-09-20
Tencent / 腾讯混元·国内
发布文将 Hy4 preview 定位为 770B 总参/49B 激活、1M 上下文、Apache 2.0 开源的旗舰预览版（各模型均按最高推理档评测）。46 项评测集中于智能体编码与搜索、工作智能体及 STEM 推理，亮点为 Terminal-Bench 2.1 85.4 与 SWE-bench Multilingual 82.9。
Z.ai / 智谱 GLM·国内
GLM-5.3-Flash 以「Frontier Intelligence, Flash Cost」为定位发布，是 GLM-5 系列首个原生多模态模型（320B 总参/18B 激活，发布前以 ox-alpha 匿名测试）。已收录 16 项评测集中于终端编码、Agent 工具使用与视觉理解：亮点 Terminal-Bench 2.1 84.3、GDPval-AA v2 Elo 1773。
Alibaba / Qwen·国内
本发布含 2 个变体，各变体规格见模型详情。
Qwen3.8-Flash-Next 被发布文定位为迈向极致性价比的全新架构预览（GDN+QSA 混合注意力、N-gram Embedding、Muon 优化器），为 Qwen4 架构探路。评测覆盖代理编码/办公、多模态代理与通用推理：SWE-bench Pro 62.5、CoWorkBench 73.9、Toolathlon Verified 73.5、AndroidWorld 84.5。
DeepSeek·国内
DeepSeek 将 V4-Flash-Vision-Exp 定位为开启多模态 API 服务的实验性多模态模型，官方称其纯文本能力与 V4-Flash 持平、向 Opus-4.8 收敛多模态 Agent 差距。已收录 11 项评测（文本 Agent 与多模态 Agent 两组）：亮点 Terminal-Bench 2.1 83.9、CyberGym 75.3。
DeepSeek·国内
DeepSeek 发布 V4 Pro 正式版，同步上线 APP/网页端/API（API 模型名不变），官方定位为正式版增强了 Agent 能力、在生产环境中的性能表现提升尤为显著。本发布收录的 10 项评测全部为 Agent 向（编码智能体、网络安全、工具调用、数据科学与自动化智能体），官方以单张对比图给出与 GLM-5.2 / Kimi-K3 / Opus-4.8 / Fable 5 的对比，数值以人工读图确认前不计入公开计数。
Alibaba / Qwen·国内
通义将 Qwen3.8-Max 定位为当前 Qwen 家族最强大的模型，基于 Qwen 3.5 架构将参数规模扩展至 2.4 万亿（激活参数 95B），在编程、办公、科研与长周期任务上全面提升，并成为首个开源权重的 Qwen-Max 级模型（权重于下周发布）。已收录评测覆盖智能体编码与办公、多模态理解与操作、视频理解及长上下文等领域，Terminal-Bench 2.1 86.6、PaperBench 93。
Z.ai / 智谱 GLM·国内
GLM-5.3 以「Frontier Coding with Emergent Cyber Capabilities」为定位发布（API thinking 档 low/high/max、默认 max 且不再支持关闭思考；权重承诺发布两周内开源）。已收录 22 项评测集中于编码与网络安全攻防：亮点 Terminal-Bench 2.1 88.2、CyberGym 84.5。
Tencent / 腾讯混元·国内
腾讯发布混元 Hy3：295B 总参/21B 激活 MoE、256K 上下文、三种思考模式，Apache 2.0 开源。评测覆盖编码、智能体搜索与推理，亮点如 SWE-bench Verified 78%、BrowseComp 84.2%。
ByteDance Seed / 豆包·国内
本发布含 3 个变体，各变体规格见模型详情。
字节 Seed2.1 发布将 Pro 定位为系列最高档，官方称评估优先考察真实工作流表现而非静态榜单分数。已收录评测横跨通用 Agent、编码、多模态与视频理解：亮点 GDPval 87.9、OSWorld 78.8。
Z.ai / 智谱 GLM·国内
智谱将 GLM-5.2 定位为面向长周期任务构建的模型，提供稳固支撑长程工作的 1M 上下文与更强编码能力（High/Max 档位控制），权重以 MIT 协议完全开源。已收录评测聚焦智能体编码与工具调用、长程软件工程与数学推理等领域，AIME 2026 99.2、Terminal-Bench 2.1（Terminus-2）81。
MiniMax·国内
本发布含 2 个变体，各变体规格见模型详情。
MiniMax M3 被发布文定位为将前沿编码、1M 上下文与原生多模态合一的单模型（Frontier Coding, 1M Context, Native Multimodality - All in One Model），采用 MSA 稀疏注意力并支持思考开关。评测覆盖编码、协作代理、GUI 与多模态：SWE-Bench Verified 80.5、BrowseComp 83.52、OSWorld-Verified 70.06、IMO 2025 35/42。
Alibaba / Qwen·国内
发布文以“智能体新前沿”为题，将 Qwen3.7-Max 定位为面向智能体时代的新一代旗舰（经阿里云百炼 API 提供，在 Claude Code/OpenClaw/Qwen Code 间泛化）。40 余项评测覆盖智能体编码、工具与办公场景及数理推理，亮点为 HMMT 2026 二月场 97.1 与 SWE-bench Verified 80.4。
Z.ai / 智谱 GLM·国内
GLM-5.1 被 z.ai 定位为面向长程任务（Towards Long-Horizon Tasks）的代理工程旗舰，强调数百轮持续优化与长时程任务能力。评测集中在推理、编码与代理三类：SWE-Bench Pro 58.4、Terminal-Bench 2.0（Terminus-2）63.5、BrowseComp（w/ 上下文管理）79.3、HLE w/ Tools 52.3。
MiniMax·国内
MiniMax 发布 M2.7「Early Echoes of Self-Evolution」，定位为首个深度参与自身进化的 M 系列模型，支持 Agent Teams、复杂 Skills 与动态工具搜索。评测集中在智能体与编码，亮点如 SWE-Bench Pro 56.2%、MLE-Bench Lite 66.6%。
ByteDance Seed / 豆包·国内
字节 Seed 系列页将 Seed2.0 Lite 定位为 Seed 基础模型系列首个全模态（omni-modal）理解模型，原生支持视频、图像、音频与文本的统一理解，并升级 Agent、Coding 与 GUI 能力，兼顾输出质量与响应速度，适合通用生产级场景。已收录评测覆盖文本智能体与编码、多模态理解、GUI 操作及视频与音频理解等领域，GPQA Diamond 88.4%、OSWorld Verified 64.4%。
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。