一项研究对比 Claude Code、OpenCode 和 mini-SWE-agent 三种编码 Agent 框架，在 Qwen3.6、Qwen3.8、Deepseek-V4-Flash、GLM-5.3-Flash、HY4-Preview 五个模型上测试。在 447 个 SWE-bench Verified 任务上，最重的 Claude Code 与最轻的 mini-SWE-agent 通过率相差不到 2 个百分点，在 5 分区间内统计等价；但三种框架的 token 消耗是最精简方案（mini-SWE-agent…
推荐理由换框架带来的提升和重跑一次的随机波动差不多，但 token 花 2 到 3 倍，选型时别为框架溢价买单
开发者发布开源基准 Parsimony，用「净编码单元」衡量 AI 模型在解题时新增多少代码：统计语句、调用、比较、命名和字面量等语法元素，不按行数计，并减去删除的代码（净单元 = 新增 − 删除）。数据取自 SWE-bench Verified 已公布的补丁，不重跑测试，仅测 Python，排除测试、文档和生成文件。榜单按已解任务的平均净新增单元从低到高排名，失败尝试也计入均值。作者提醒：单元数只衡量体积，不代表可读性或设计好坏；写代码多的模型往往解题也更多（26 个以上模型的榜单上 Spearman 相关系数 …
推荐理由想知道哪个模型写代码最啰嗦，可看这份榜单，还能上传自己基准的数据生成对比图。
作者实测用本地模型驱动 Claude Code 和 Codex 后指出，SWE-bench Verified 只衡量「给定 bug 产出正确补丁」这类写作任务，无法反映真实代理场景的四个关键问题：工具调用格式是否稳定可解析、长程任务第 11 次调用是否还记得第 2 次的计划、40K token 真实仓库上下文下质量是否崩塌、指令遵循是否可靠。2026 年两个变化让本地方案可行：MoE 架构（如 Qwen 35B-A3B 每 token 仅激活约 3B）把显存门槛降到消费级 GPU，Ollama 于 2026 年 1…
推荐理由想用本地模型替 Claude Code 的人先看这篇：SWE-bench 高分不等于能当代理，四个真实失败点值得对照自测