该图片可能由AI生成
Nebius团队发布了最新一期SWE-rebench排行榜，基于48个上个月新创建的GitHub PR任务进行测试。这个基准测试的独特之处在于它使用"新鲜"的问题，模型需要阅读真实的PR问题、编辑代码、运行测试，直到完整测试套件通过。由于测试问题在模型发布之后才产生，这意味着模型无法通过预训练来"刷分"。
闭源模型阵营中，Claude Code搭配Opus 4.6以52.9%的解决率领跑，pass@5更是达到了70.8%。Claude Opus 4.6和gpt-5.2-xhigh紧随其后，都在51.7%左右。有趣的是gpt-5.2-medium也达到了51%，与顶尖配置差距极小。
开源模型阵营的表现令人振奋。Kimi K2 Thinking以43.8%领先，GLM-5达到42.1%，而Qwen3-Coder-Next以40%的成绩杀入前列。MiniMax M2.5以39.6%的成绩展现了极高的性价比。
最令社区意外的是Qwen3-Coder-Next的表现。这个80B参数的模型在pass@5指标上达到了64%，甚至超过了Opus 4.6，位居所有模型之首。更关键的是，它并非推理模型，却在M3 Max上能跑到60 t/s。有用户指出，虽然它不是推理模型，但实际消耗的token数量是MiniMax的两倍，这说明它采取了更多轮次和工具调用来"探索尝试"，而非"长时间思考"。
这种行为差异引发了有趣的讨论：相同架构的模型可以表现出完全不同的工作风格，关键在于后训练阶段强化学习所奖励的行为模式。有人更偏好探索型模型，认为最糟糕的情况是模型思考很久却被工具调用证伪，或者因为上下文被思考内容污染而忽略工具返回的结果。
Kimi系列出现了一个反常现象：较老的K2 Thinking以43.8%明显优于更新的K2.5的37.9%。官方确认K2 Thinking产生更长的推理轨迹，在推理阶段消耗更多token。有用户推测这可能是K2.5为成本优化做出的妥协。还有开发者分享了一个实用发现：K2.5在32k上下文后会出现工具调用"假装"问题，每16k token发送一次工具使用提醒可以解决。
基准测试本身也引发了讨论。Opus 4.5在去年11月达到63.3%，12月却跌到43.8%，波动之大让一些人质疑其可靠性。但支持者认为这正体现了真实场景的不确定性，每月使用全新问题正是避免数据污染的设计初衷。也有人指出，模型在Python上被过度训练，希望看到持续更新的多语言基准测试，比如Elixir或Rust。
对于本地运行用户，有几个实践经验值得注意：Qwen3-Coder-Next在MLX上的质量和速度明显优于llama.cpp。有用户发现使用DRY惩罚参数会导致编码任务输出异常，在TypeScript中出现不该有的空格和下划线。温度设为0、DRY乘数设为0的配置更为稳定。
一位每天使用Qwen3-Coder-Next的用户坦言，虽然基准分数出色，但实际使用中经常需要用MiniMax或GLM来修复它产生的错误。基准测试和日常体验之间的差距，或许正是这类测试最值得玩味的地方。
www.reddit.com/r/LocalLLaMA/comments/1r3weq3/swerebench_jan_2026_glm5_minimax_m25/