海通国际报告全面对比全球主流大模型代码生成能力。Anthropic Claude 4.0在SWE-bench verified测试中达80.2%准确率，领先OpenAI GPT-4.1（69.1%）和Gemini 2.5 Pro（63.2%）。国内Qwen3-235B-A22B以70.7分刷新开源模型历史最佳，超越Gemini 2.5 Pro的70.4分。DeepSeek R1推理成本仅为OpenAI GPT-01的3%。本报告深入解析各模型的技术优势与适用场景。

Anthropic Claude 4.0在软件工程任务中表现卓越，Claude Opus 4和Sonnet 4在SWE-bench verified测试分别达72.5%和72.7%准确率，启用并行测试后进一步提升至79.4%和80.2%，显著优于Claude Sonnet 3.7（62.3%）、OpenAI GPT-4.1（69.1%）和Gemini 2.5 Pro（63.2%）。Claude 4具备长记忆编码能力，可连续稳定运行长达数小时，适合复杂且持续时间长的Agent工作流。

GPT-4.1在SWE-bench Verified测试中得分54.6%，相比GPT-4o的33.2%大幅跃升。在HumanEval编码评估中接近人类高级工程师水准。GPT-4.1支持最长100万Token的上下文窗口，增强处理长任务和多文件工程能力。OpenAI以30亿美元收购Windsurf，强化超大规模代码库处理能力，目标实现“代理式”IDE体验。

通义千问Qwen3-235B-A22B在LiveCodeBench v5编码基准中以70.7分刷新开源模型历史最佳，超过Gemini 2.5 Pro（70.4分）和GPT-4o（63.9分）。在HumanEval中取得87.6%准确率，生成代码冗余编辑率降至2%。Qwen3支持多达119种编程语言，在MultiIF多语言评估中以71.9分大幅领先LLaMA3（48.4）。部署资源仅为DeepSeek-R1的25%，性价比优势显著。

DeepSeek R1模型每百万输入/输出token成本为0.55/2.19美元，仅为OpenAI GPT-01价格的3%。DeepSeek V3训练成本557.6万美元（278.8万H800 GPU小时），效率显著高于同行。通过低精度训练和MOE架构优化，推理成本下降82.5%，内存需求下降30%。DeepSeek R1在LiveCodeBench v5中以73.1%准确率排名前列，在Aider代码修复测试中准确率达61.8%。

表2：主流大模型代码生成能力对比

模型	SWE-bench Verified	LiveCodeBench v5	HumanEval	输入价格（$/百万tokens）
Claude Sonnet 4	72.7% / 80.2%	—	—	3.00
GPT-4.1	54.6%	—	87.6%	1.25-2.50
Gemini 2.5 Pro	63.2%	63.4	—	0.15-0.60
Qwen3-235B	—	70.7	87.6%	0.20-0.80
DeepSeek R1	49.2%	73.1	83.5%	0.55-2.19

并行测试模式