标签
本文提出评估编程大语言模型对软件执行的理解，超越控制流，包括预测内存使用、运行时间和分析器输出，发现所有测试模型表现不佳，表明缺乏对软件世界模型的深入理解。
一位用户分享了一个月内在TypeScript/Next.js代码库上对五款中文编码大模型（Kimi K2.6、GLM-5.1、MiMo V2.5 Pro、MiniMax 2.7、DeepSeek V4 Pro）的比较，从前端、后端、代码审查、全能型和推理等类别进行评分。他们指出MiniMax 2.7以约7%的成本实现了Opus 4.6约90%的质量，并推测即将推出的MiniMax 3.0是否会弥补规划和测试覆盖方面的不足，从而登上榜首。