從混元到智譜，六大國產大模型，編程“手藝”到底怎么樣？

上周，我們用六個國產AI大模型研究了財報。

本周，我們來測試一個更加酷炫且硬核的話題：AI寫代碼。

人們總是說，AI一出來，程序員都要失業了，這說法是真是假？

為了搞清楚這個問題，這次我們設計了一場“AI程序員能力挑戰賽”。

別擔心看不懂，我們會把所有測試都比喻成你最熟悉的生活任務。

這一次，我們盡可能選擇了擅長編程的參賽選手：

深度求索：DeepSeek-R1

騰訊：Hunyuan-TurboS

阿里：Qwen3-Coder

智譜：GLM-4.5

月之暗面：Kimi-K2

百度：ERNIE-X1-Turbo

老規矩，開啟深度思考，關閉聯網搜索。

這次的“AI程序員能力挑戰賽”，采用考駕照的方式。

我們將通過四個“科目”，從易到難，全方位考察參賽選手們的編程能力。

01 科目一：理論知識筆試（基礎知識問答）

在真正上路（編寫代碼）前，我們得先測試一下AI參賽選手們的基礎知識是否牢固。因此，我們選擇了一些編程行業的“常識題”。

測試題目1：“請用一個初中生能聽懂的比喻，解釋一下什么是‘面向對象編程’（OOP）？”

“面向對象編程”是程序員行業內的一個核心哲學。

專業化的表述“封裝、繼承、多態”，別說初中生了，不少大學生和研究生都得犯迷糊。

這道題考的不是AI“懂不懂”，而是會不會“教”。

測評結果：

各模型選擇了不同的生活場景，對面向對象編程中的經典概念進行講解：

其中，Qwen3-Coder和Kimi-K2的講解全面而生動，解釋質量、準確性和啟發性較高。

DeepSeek-R1、GLM-4.5和ERNIE-X1-Turbo對于關鍵的概念有所省略，但仍然能做到易于理解。

本輪評分：

測試題目2：“解釋一下‘遞歸’是什么，并說明使用它時需要注意什么？”

“遞歸”是編程領域中一種“自己調用自己”的奇特技巧，優雅但危險。

用好了，程序的可讀性和性能都會得以提升；用不好，程序很容易陷入無限循環，直到內存耗盡而崩潰。

測評結果：

各模型異曲同工地都選擇了俄羅斯套娃作為比喻之一。

同時，詳細地描述了使用遞歸時的限制條件。

所有模型都能對專業名詞進行正確解釋，且給出的比喻基本相同。

其中，Qwen3-Coder和GLM-4.5還提及了遞歸的應用場景，使回答更加充實；

而DeepSeek-R1、Hunyuan-TurboS和ERNIE-X1-Turbo在沒有提及其他概念的情況下，將遞歸與循環和迭代做了對比，也是亮點之一。

本輪評分：

測試題目3：“進程和線程有什么區別和聯系？舉個例子說明。”

這是程序員面試的基礎題目之一，涉及計算機如何同時處理多個任務的底層原理。

能講清楚這兩個概念，證明AI的計算機知識體系相當完備。

測評結果：

同樣地，各模型首先給出簡單的比喻，然后從多個方面對比二者的區別和聯系：

與上一題類似，各模型給出的比喻大致相同。

除Kimi-K2外，各模型均從多個角度對比了進程與線程之間的區別和聯系，內容充實。

其中GLM-4.5給出的答案篇幅較長，包含了簡單的比喻和專業的解釋，覆蓋用戶范圍更廣。

與之相反，Kimi-K2給出的回答卻十分簡短，雖然易于理解，但并未揭示二者的本質。

本輪評分：

科目一成績：

理論考試環節，各模型都展現出了碾壓性的實力。

這些本身就是計算機領域頂尖水平的“考生”，知識儲備淵博，表達清晰，比喻也很精妙。

從評分來看，Qwen3-Coder和GLM-4.5，在理論方面略勝一籌。

如果光看筆試成績，這些AI恐怕已經可以勝任本科生的計算機“私人教師”。

不過，程序員的世界，終究還要靠代碼說話。

02 科目二：動手實踐課（入門級編程任務）

理論知識過完，就來到基礎操作環節。

這就像科目二中的“倒車入庫”等環節，需要手眼協調，考驗基本功是否扎實。

測試題目1：“寫一個經典的‘FizzBuzz’問題：從1打印到100，如果是3的倍數就打印‘Fizz’，5的倍數就打印‘Buzz’，同時是3和5的倍數就打印‘FizzBuzz’，其他情況直接打印數字。”

從我們的角度看，這不過是一道小學生級別的數學題。

事實上，這類編程入門題能夠快速判斷AI的編程邏輯。

而我們作為“考官”，還要看看AI能不能給出我們一下子想不到的答案。

測評結果：

先說結論，AI生成的代碼均可正確運行，給出的答案共有兩種：

一是逆向邏輯：先判斷15的倍數，再分別判斷3和5的倍數；

二是字符串拼接：先判斷3的倍數后輸出字符串Fizz，再判斷5的倍數后直接拼接Buzz。

DeepSeek-R1、GLM-4.5、Kimi-K2和ERNIE-X1-Turbo都只給出了第一種答案。

Hunyuan-TurboS和Qwen3-Coder則成功給出了兩種答案，智能程度滿分。

本輪評分：

測試題目2：“寫一個函數，用來判斷一個輸入的正整數是不是‘素數’（也叫質數）。”

引入素數的概念，相比上一題稍難一些，人類可能難以一眼看出解法。

但細想一下，實際上核心思路很簡單：

判斷一個數是不是素數，沒必要從2一直除到n-1。只需要除到它的“平方根”就行了。

這次，要考驗AI對數學概念的程序化轉換能力和淺層次的算法優化意識。

測評結果：

所有模型都給出了正確的算法；

除Hunyuan-TurboS外，所有模型均給出了可運行的代碼；

除Hunyuan-TurboS和Kimi-K2外，其余模型均給出了時間復雜度。

值得關注的是，Hunyuan-TurboS和GLM-4.5均指出在數字較大時可以使用Miller-Rabin素性測試等更高效的算法。

而Qwen3-Coder不僅給出了正確的算法，還給出了適合批量判斷的埃拉托斯特尼篩選法，也給出了時間復雜度。

本輪評分：

測試題目3：“寫一個函數，判斷一個字符串是不是‘回文’。”

這道題在一定程度上屬于“開放式”題目，實現辦法多種多樣，考驗AI處理字符串的能力。

由于解決方案較多，由人類來評判可能有失偏頗，我們請同行Gemini 2.5作為裁判進行評判。

測評結果：

“裁判”從方案廣度與深度、代碼質量與規范、解釋與教學性、獨特亮點和主要不足這五方面進行了客觀的評價：

DeepSeek-R1：

方案廣度與深度：高，提供了空間優化

代碼質量與規范：高，代碼嚴謹

解釋與教學性：高，復雜度分析準確

獨特亮點：提供了最高效的空間解法

主要不足：方案種類較少

Hunyuan-TurboS：

方案廣度與深度：中，方案實用但缺少最優解

代碼質量與規范：高，解法具備Python特色

解釋與教學性：極高，排版清晰，總結表格

獨特亮點：教學性和用戶體驗最佳

主要不足：缺乏空間復雜度的最優解|

Qwen3-Coder：

方案廣度與深度：極高，四種方法，包含遞歸

代碼質量與規范：極高，組織良好，包含測試函數

解釋與教學性：高，對比清晰

獨特亮點：技術最全面，廣度與深度兼備

主要不足：排版不夠生動

GLM-4.5：

方案廣度與深度：中，專注最優解

代碼質量與規范：極高，包含使用類型提示

解釋與教學性：高，包含執行流程示例

獨特亮點：對最優解的解釋最形象

主要不足：方案單一，廣度不足

Kimi-K2:

方案廣度與深度：低，僅有一種方案

代碼質量與規范：高，使用了__name__（Python編程風格）

解釋與教學性：極高，語言最親切、口語化

獨特亮點：親和力第一，代碼結構規范

主要不足：技術深度最淺

ERNIE-X1-Turbo：

方案廣度與深度：中，專注于接口設計

代碼質量與規范：高，但有瑕疵

解釋與教學性：高，展示不同應用場景

獨特亮點：體現API設計思想，函數靈活可配置

主要不足：測試用例有邏輯錯誤

本輪評分：

科目二成績：

到了實踐環節，“考生”們開始展現出區分度。

Qwen3-Coder在三道測試題中都給出了完美的回答，毫無疑問獲得滿分，排行第一；

DeepSeek-R1和GLM-4.5也給出了高分回答，保證答案正確的情況下各具特色；

Hunyuan-TurboS和ERNIE-X1-Turbo則都出現了細小的錯誤，令人遺憾。

科目二的測試題目難度大概和大一大二的普通計算機學生水平相當。

由此可見，AI完成計算機專業部分課程的期末考試已經不在話下。

03 科目三：生活應用題（解決實際問題）

由于科目一和科目二還局限于學術范圍，我們要再次升級難度。

科目三要測試的是AI能否解決我們生活和工作中的實際痛點。

這考驗的不僅是AI的編程技巧，還有對人類需求的理解和解決問題的能力。

測試題目1：“我桌面上有幾百個文件，有圖片、文檔和視頻，太亂了。你寫個程序幫我整理一下，把不同類型的文件放到各自的文件夾里。”

非常典型的“自動化辦公”需求。

每次看到一臺電腦的桌面上被堆滿應用圖標，強迫癥都難以呼吸。

因此，這道題目要求AI編寫一個與操作系統打交道的腳本。

需要完成文件的查找、分類、創建文件夾和移動文件等一系列操作。

測評結果：

所有模型都給出了可運行的代碼，并實現了文件分類的功能。

其中，GLM-4.5給出了令人驚喜的回答：

它生成的代碼提供了一個額外功能：模擬運行，即只顯示操作但并不實際移動文件。

這對于評測來說是不可多得的亮點之一。

表現相對較差的則是Kimi，僅給出了圖片、文檔和視頻三種分類方式。

本輪評分：

測試題目2：“我想知道現在外面空氣質量怎么樣，如果PM2.5指數很高，就提醒我戴口罩。幫我實現這個功能。”

難度進一步上升。

這道題的核心難點在于需求與“外部數據獲取”掛鉤，專業術語叫做“API調用”。

AI編寫的程序需要能夠訪問一個提供天氣或氣象相關數據的網站，并獲取PM2.5的數值。

而作為評判者，除了要關注數據的正確性，還要關注程序的自動化程度。

畢竟，很多網站的數據需要先注冊才能獲取，但“一鍵式”才是我們追求的目標。

測評結果：

對于這道難題，各模型給出的答案令人有些失望。

DeepSeek-R1沒能給出直接獲取數據的方法，給出的方案需要在tianqiapi.com注冊獲取密鑰，但提供的鏈接也無法直接訪問；同樣地，ERNIE-X1-Turbo給出的方案也需要在和風天氣注冊獲取密鑰，且程序只能發揮定時檢測作用而非查詢作用。

Hunyuan-TurboS提供了兩種方案，一種是使用OpenWeatherMap的API，同樣需要注冊并獲取密鑰；另一種是直接使用AQICN的公開數據，實現了“一鍵式”獲取，雖然數據似乎有些不準確。

Qwen3-Coder生成的代碼功能較為齊全，能夠成功調用外部API實現“一鍵式”獲取，但可惜查詢存在錯誤，如輸入城市為北京，但輸出數據為上海，且程序運行一次后自動結束。

至于GLM-4.5和Kimi-K2提供的代碼則完全無法實現所需功能，也未給出可行方案。

本輪評分：

測試題目3：“幫我做一個簡易的密碼生成器。”

第三題的需求相對封閉，不涉及外部依賴，AI的表現肉眼可見的“好起來了”。

因此，我們需要關注AI生成代碼功能是否靈活、齊全。

測評結果：

所有模型都能編寫出可用的密碼生成器，但功能存在一定差別：

DeepSeek-R1非常貼心地在代碼中加入了“避免模糊字符”功能，解決了常見的大寫字母I和小寫字母l的辨認問題。

Hunyuan則另辟蹊徑，使用HTML形式編寫了可交互式的密碼生成器，且有密碼強度評分功能。

Qwen3-Coder在允許用戶自定義密碼生成規則的情況下，還允許用戶一次性生成多個密碼。

GLM-4.5、Kimi-K2生成的代碼只能在命令行中運行，操作比較麻煩；同時，Kimi-K2和ERNIE-X1-Turbo編寫的密碼生成器不允許用戶自定義密碼生成規則，靈活性較差。

本輪評分：

科目三成績：

這一次，輪到Hunyuan-TurboS領跑賽道，獨占榜首。

先前的測評中，我們已經知道，對模型來說獲取準確的外界信息是一項難度很大的任務。

因此，能夠跨越與外界聯系的“鴻溝”，獲取到氣象數據，實屬不易。

DeepSeek-R1和Qwen3-Coder緊隨其后，在其他兩道測試題上的表現不錯，在封閉環境下發揮了可靠的能力。

其余三位考生則各有“短板”，發揮不佳，令人失望。

04 科目四：終極項目挑戰（高階綜合能力）

這是最終的壓力測試。

如果把前面的題目比作“零件”級別的任務，那科目四就像讓AI動手“組裝機器”。

下面的題目考驗AI的系統設計、代碼組織和綜合應用能力。

如果能順利通過科目四，證明AI已經是代碼領域內一名合格的“司機”。

測試題目1：“幫我寫一個網頁版的待辦事項列表（To-Do List）。”

入門級的前端項目。

它不只是一個后臺腳本，而是需要一個用戶能直接交互的“界面”。

這要求AI必須同時掌握三種“語言”：HTML、CSS和JavaScript。

測評結果：

所有模型都設計出了功能完備的待辦事項列表。

值得注意的是，在程序結構方面，只有Qwen3-Coder將HTML、CSS和JS分成了三個獨立的文件。而其他五個模型都選擇了將CSS和JavaScript直接嵌入HTML文件中的做法。

看起來，Qwen3-Coder的做法并不如其他模型的做法便捷，無法“開箱即用”；

但是，“分文件”的做法才是專業Web開發者的標準做法，具備較高的可維護性和可讀性。

這種方式有助于代碼復用、團隊協作和性能優化，教授了一種專業、可持續的開發模式。

盡管對新手來說稍有門檻，不過Qwen3-Coder也備注了詳細的使用方法。

本輪評分：

測試題目2：“請編寫一個程序，充當一個簡單的網頁信息提取器。它的任務是訪問新浪財經的首頁，然后自動提取并打印出該網站首頁上‘要聞’區域的前5條新聞標題。”

AI應用的熱門領域之一——網絡爬蟲。

這道題類似于讓AI派出一個小機器人去自動瀏覽網頁，從海量信息中精確地抓取所需信息。

不過，難點并非數據的提取，而是復雜且多變的網頁結構該如何處理。

測評結果：

這道題也讓AI參賽選手們出現了明顯的“分化”。

很遺憾，DeepSeek-R1、GLM-4.5和ERNIE-X1-Turbo都無法獲取到指定內容。

相比之下，Hunyuan-TurboS和Kimi-K2的爬取能力明顯增強，能夠獲取到網頁信息，不過位置有錯誤。

只有Qwen3-Coder出色地完成了任務，爬取到了正確的新聞標題。

本輪評分：

測試題目3：“請用代碼模擬一個最簡單的圖書館借書系統。需要有‘書’和‘讀者’這兩個概念。”

最后一道測試題回歸到了純粹的“系統設計”，考察前面“面向對象”思想的實際應用。

事實上，這也是計算機專業學生幾乎必定經歷過的課程設計題目之一。

因此，我們將測評題目也設計為開放式，只告訴了AI最基本的需求。

除了完成系統的設計，我們還要著重觀察AI能否添加并完善系統的功能。

測評結果：

所有模型都給出了可運行的代碼，構建了復雜程度不同的圖書館系統。

對于借書、還書的邏輯，所有模型都能夠輕而易舉地正確復現。

但是，對于沒有直接提出的一些需求，則暴露出部分模型的短板。

DeepSeek-R1、Hunyuan-TurboS、Qwen3-Coder和GLM-4.5都很自覺地加入了查詢圖書館藏書清單和查詢用戶借閱清單的功能。

而Kimi-K2和ERNIE-X1-Turbo卻只實現了簡單的借書和還書邏輯。

另外，我們要求AI設計的是圖書館“系統”。

顧名思義，這個系統是要能夠與用戶進行交互的。

這里必須夸獎一波Qwen3-Coder，六個模型中唯一采用交互式而非測試用例的AI。

它生成的代碼提供了兩種運行模式，允許使用測試用例進行演示，也允許用戶上手操作：

同時，實現的功能也是所有AI中最為齊全的：

本輪評分：

科目四成績：

毫無疑問，在其他模型表現平庸的襯托下，Qwen3-Coder的編程能力一騎絕塵。

它不僅能夠正確理解人們的實際需求，還能夠根據概念來構建一個完善的微型系統。

設計清晰，邏輯嚴謹，功能強大，令人信服。

05 一點基本結論

這場駕照考試就到此為止。

通過各個科目的成績，可以看出，Qwen3-Coder輕松拿到了本次考試的榜首。

不論是在理論知識、基礎編程、生活應用還是項目挑戰，它都能夠成為一個寫代碼的“好幫手”。

同時，在測評過程中，我們也注意到了一些其他的細節：

生成代碼的長度和速度方面，Qwen3-Coder都體現出了明顯的優勢。

在科目四的測試中，它生成的代碼比其他模型要長數十行，卻能夠比其他模型更快完成編寫。

反之，Kimi-K2的代碼風格極為簡潔，長度極短，因此也基本只能實現文字意義上的功能。

但總的來說，對于較為簡單的需求，現階段的AI水平已經足夠。

那么，回到我們先前討論的問題：AI能取代程序員了嗎？

答案是：目前還不能，但它已經在徹底改變“程序員”這個職業的定義。

與其說是取代程序員，不如說AI是在推動自己和程序員的“進化”。

不僅是程序員，對于有編程需要的學生和職場人來說，AI大模型已經成為必不可少的“外掛”。

以AI目前的能力，解決掉80%以上的重復枯燥的“體力活”（寫基礎代碼、查資料、寫注釋等）已經不在話下。

同時，它還能在幾分鐘內，搭建起一個項目的“毛坯房”，用戶無需在程序框架上絞盡腦汁，而是可以把精力投入到“室內精裝修”（核心業務邏輯、用戶體驗優化、系統架構設計）。

更重要的是，它能極大地降低編程的入門門檻，那些有創意但不懂技術的人，已經不再需要把自己培養成程序員，就可以借助AI將想法變為現實。

說實話，在這次測評的過程中，看到AI在幾十秒內就生成了一個功能完整的程序時，作為一個幾年前畢業的計算機學生，我直接愣住了，甚至有點恍惚。

屏幕上自動滾動的代碼，結構清晰、注釋齊全，腦海里閃過的，不是AI生成的速度如此之快、質量如此之高，而是當年為一個類似的課程設計通宵達旦的場景。

以前，為了實現一個簡單的圖書館借閱系統，我可能要一邊翻閱C++的“抽象圣經”，一邊因為一個數據庫的BUG在CSDN的帖子間反復橫跳；為了實現最簡單的一個UI界面，我可能要在使用文檔上花一個下午，因為找Bug找幾個小時而懷疑人生。整個課程設計從開始到運行，幾周的時間并不算長。

而現在，AI完成這些的時間，只用了我喝一杯水的時間。

百感交集，有一種青春被“降維打擊”的失落感。以前熬夜攻克的“難題”，現在AI云淡風輕地一筆帶過。與此同時產生的，是一種難以言喻的惆悵和敬畏。

我們這一代程序員，已經是見證歷史的一代。我們曾用雙手砌墻，而未來的程序員將直接指揮機器人蓋起高樓大廈。

當然，這不是一個時代的落幕，而是一個新紀元的開啟。

程序員的價值，將不再是“砌墻”，而是設計大廈的“藍圖”，我們的目標，是思考它的結構、它的美感和它的價值。

當然，得帶著AI助手。

因此，沒有太多的焦慮，更多的是對未來AI時代的期待。