10 月代码模型实测横评：Terminal-Bench 4.0 数据说话，贵的不一定适合你

模型发布太多，选型全靠玄学？morphllm 10 月 10 日更新了一份代码模型横评，用 Terminal-Bench 4.0、SWE-bench Pro、Arena.ai 前端竞技场这些还分得清差距的基准，加上真实价格，排了个座次。提炼一下结论。

参评选手（都是 9-10 月的新面孔）

• Claude Opus 5.5：Anthropic 9 月 22 日发布，旗舰推理，$4/$20 每百万 token，1M 上下文。
• Claude Sonnet 5.5：9 月 28 日发布，均衡主力，$2/$10。
• Claude Haiku 5.5：10 月 7 日发布，轻量便宜，$0.10/$0.50。
• GPT-6 Astra：OpenAI 9 月 3 日发布，前端向旗舰，$10/$50。
• GPT-6.1 Sol：9 月 29 日发布，10 月 7 日起成为 Codex CLI 默认模型，$2/$10，缓存 $0.10。
• Kimi K3：国产开源权重，2.8T 参数，权重在 Hugging Face，$2.5/$14。

实测数据

Terminal-Bench 4.0（66 个硬核终端任务，agent+模型一起考）：Opus 5.5 拿 66.4%（Anthropic 官方发布数据），Sonnet 5.5 达到 70.6%，GPT-6 Astra 高强度下 57.9%。注意这是不同 effort 配置下的分数，横向对比看趋势即可：Anthropic 这一代在终端任务上确实领先。

Arena.ai 前端代码竞技场：GPT-6 Astra 第一（1793 分），做前端/UI 生成它是目前的王；Kimi K3 1658 分排第 7，是开源权重里最强的。

智能体实战成本（morphllm 另一份 agent 横评）：Claude Code + Opus 5.5 最高强度 64.8%，单任务 $14.30；Codex + GPT-6.1 Sol 58.2%，单任务只要 $1.92。

按场景选

• 长期、开放式的 agent 重活（重构、跨仓库任务）：Opus 5.5，贵但天花板最高。
• 日常框定好的开发任务：Sonnet 5.5，基准分数反而更漂亮，价格只有 Opus 的一半。
• 前端/UI 生成：GPT-6 Astra，竞技场第一就是它。
• 预算敏感或要自己部署：Kimi K3，开源权重里的独一档。
• Codex 用户：直接用默认的 GPT-6.1 Sol，$1.92 一个任务的价格，性价比没对手。
• 打杂、补全、CI 里跑：Haiku 5.5 或 GPT-6 Luna 这档小模型。

一句话：没有“最强模型”，只有“最适合这个任务的模型”。把路由策略做好，比纠结用哪一家重要得多。