2026年5月編碼基準測試：Kimi K2.6躋身Tier A，DeepSeek V4 Pro需繞道才能發揮實力

一份針對24個主流LLM模型的編碼基準測試（2026年5月更新版）本週完成重新審計，核心任務是讓模型自主建構一個Rails加RubyLLM加Docker的完整應用。此次重新審計的起點帶有自我糾錯的意味：測試者發現上一輪將部分合法API調用誤判為「幻覺」，重新比對gem原始碼後，多個模型的排名被迫上調，也連帶改寫了對中國模型的整體評估。

排名頂端仍是Anthropic與OpenAI的旗艦：Claude Opus 4.7與GPT 5.4 xHigh並列第一，各得97分（滿分100）。GPT 5.5緊追第三，96分，token用量比5.4少35%、輸出token少54%、每次運行成本從16美元降至10美元，在相同品質下提供了更合理的成本結構。Opus 4.7雖然在客觀基準拿下最高分，但測試者指出其新tokenizer消耗token量較4.6多出最高35%，日常使用行為更激進，實際工作流中仍以4.6為首選。

中國模型方面，Kimi K2.6以87分成為本次基準中唯一無附帶條件進入Tier A的非西方模型，每次運行成本0.30美元，是Opus 4.7的三分之一不到。它的關鍵優勢在於四項同時達標：正確簽名的FakeChat mock、對RubyLLM::Error的rescue處理、多worker安全的session cookie持久化，以及完整的Gemfile——這四項正是將Tier B與Tier A分開的決定性條件。DeepSeek V4 Pro的情況則更為複雜：在opencode（及任何基於ai-sdk的工具鏈）下，模型因thinking mode的reasoning_content回傳協定與客戶端不相容，導致第二輪對話即失敗，實際執行者悄悄fallback至Opus 4.7，輸出是「混合作者」，無法真正計分。透過DeepClaude這個將Claude Code端點指向OpenRouter的shell shim，同一個模型可達89分Tier A，成本約3.14美元。這個差距不是模型能力的差異，而是harness選擇的差異。

MiMo V2.5 Pro在本輪從「首個非Anthropic Tier 1」跌至Tier B（67分）。它寫出的RubyLLM代碼是全部基準中最符合慣用法的，但21個測試全部只檢查常數與空值守衛，沒有一個測試覆蓋LLM調用路徑；加上無rescue、Singleton process-local存儲、無系統提示，四個核心缺口同時存在。Grok 4.3則是本輪最大的代際跳躍：從4.20的25分Tier D躍升至72分Tier B，但其Stimulus pipeline在runtime完全失效——application.js是一行注釋，compiled bundle只有48 bytes，所有前端交互靜默損壞——且每次運行成本1.74美元，是Kimi K2.6的五倍多，性價比處於尷尬位置。

本次審計有兩個對亞太市場決策者特別值得留意的結構性發現。第一，「中國模型已追上西方」的敘事在這個基準下需要加上具體條件：13個中國模型裡只有兩個達到Tier A，其中一個（DeepSeek V4 Pro）仍需要非預設的harness才能實現，其餘多數卡在測試品質與持久化機制兩個弱點上——寫了最多測試（37個）的K2.5，測試卻全部未mock RubyLLM，是「覆蓋率劇場」的典型案例。第二，多模型協作（Opus規劃、較便宜模型執行）在這類端對端任務中被七組實驗否定：Tier A模型在內部已完成規劃與執行的整合，強制外包給次級模型只增加協調成本、不降低主模型花費，且輸出品質由最弱的一環決定。

對於需要在成本與品質之間做選擇的工程決策者，當前的實用結論是：Kimi K2.6（0.30美元）與Gemini 3.1 Pro（0.40美元）是目前Tier A裡最具成本效益的選項，比Opus便宜三到四倍；GPT 5.5在Codex訂閱框架下已可替代5.4而無任何回退；本地開源模型在2026年仍無一達到Tier A，最佳表現是Qwen 3.5 35B-A3B的Tier C，需要人工修正才能可用。DeepSeek每一代都在RubyLLM代碼品質上有實質進步，但工具鏈整合的滯後性是系統性模式，不是個案——打算將其納入生產管線的團隊，需要預算自行維護整合層。