AI 编程能力排行榜都有哪些？SWE-bench、LiveCodeBench、Terminal-bench 测什么？

一句话回答：编程类榜单分三个层次——LiveCodeBench 和 Codeforces 测竞赛级解题（实验室考试），Aider-Polyglot 和 SWE-bench 测真实工程能力（修真实项目的 bug、多语言、成本），Terminal-bench 测命令行环境里的实际操作能力；越往后越接近 AI 真正替人干活的场景。

LiveCodeBench：防作弊的竞赛题库

从 LeetCode、AtCoder、CodeForces 三个竞赛平台搜集新编程题——强调新，保证大模型训练时没见过，防止"看过题"作弊。共测四种能力：

代码生成：出题看代码写得对不对
自我修复：自己修 bug
代码执行：给一串代码和输入值，让 AI 纯靠思考模拟运行结果——不许写代码，考"颅内运行"
测试输出预测：更进一步，只给自然语言题目和输入值，连代码都不给，看能不能想出答案

后两项考的是纯粹的理解和推理能力。

Codeforces：人类竞赛平台的"顺便测 AI"

Codeforces 本身是 2010 年创办的知名编程竞赛平台，以人类参与者为主，更新极高频。2024 年 9 月它出规定禁止 AI 替代个人思考、生成关键逻辑（辅助理解题意属灰色地带）。它并非官方 AI 排行榜——只是人类在上面竞赛定分，AI 也能得个分数，大家自发拿来对比。价值在于题目的真实性和竞赛级难度。

Aider-Polyglot：实际使用效果导向

Aider 本身是一个 AI 代码编辑器，这个榜反映编辑器厂商真正关心的问题：

多语言支持：考察 C++、Go、Java、JavaScript、Python、Rust——用户绝不只用 Python
单次成功率和成本：榜单直接列出花费

它看的不只是"谁能解题"，而是"谁能按格式把代码塞进程序跑起来、实际花多少钱"。

SWE-bench Verified 与 Multilingual：修真实项目的 bug

SWE-bench 的论文标题简单直给："AI 大模型能解决现实中的 GitHub 问题吗？"它把 GitHub 项目的 issue（用户反馈的 bug/需求）和 PR（开发者的代码修改）组成一对对题目，考察 AI 自动读问题、理解代码、生成补丁。

Verified 版：OpenAI 认为原版有描述不清、有缺陷的题目（做不出来是题的问题不是 AI 的问题），于是派 93 人人工标注，与 SWE-bench 团队合作优化出的版本，被广泛采用。原版只针对 Python
Multilingual 版：由伦敦程序员 Kabir 与 SWE-bench 合作，把语言拓展到 9 种（C、C++、Go、Java、JavaScript、TypeScript、PHP、Ruby、Rust），从各语言 star 最多的 100 个仓库里筛出 42 个仓库的 300 个高质量任务
整体规律：AI 明显更擅长 Python，C 和 C++ 的解决率最低
类似的还有字节豆包团队的 Multi-SWE-bench（7 种语言、68 名专家挑题，被 NeurIPS 2025 收录）

Terminal-bench：命令行实操

斯坦福大学与 Laude 团队合作，专测 AI 的命令行能力——不只是写代码，而是在真实环境中操作：定位文件、安装依赖、修改配置，题目难到创建自签 SSL 证书甚至编译 Linux 内核。这个榜难度很高：混合多模型方案约五十多分，单模型顶级的 Claude 约 45 分、GPT 约 41 分、DeepSeek 36.7 分已算高分。

常见误区

"编程榜分数高 = 能替我干活" —— 竞赛解题（LiveCodeBench）和真实工程（SWE-bench、Terminal-bench）是两回事，后者分数普遍低得多
"AI 各语言能力差不多" —— 实测 AI 明显偏科 Python，C/C++ 解决率最低

AI 编程能力排行榜都有哪些？SWE-bench、LiveCodeBench、Terminal-bench 测什么？ ​

LiveCodeBench：防作弊的竞赛题库 ​

Codeforces：人类竞赛平台的"顺便测 AI" ​

Aider-Polyglot：实际使用效果导向 ​

SWE-bench Verified 与 Multilingual：修真实项目的 bug ​

Terminal-bench：命令行实操 ​

常见误区 ​

相关条目 ​