从混元到智谱，六大国产大模型，编程“手艺”到底怎么样？

作者|思齐 来源|硅基星芒

上周，我们用六个国产AI大模型研究了财报。

本周，我们来测试一个更加酷炫且硬核的话题：AI写代码。

人们总是说，AI一出来，程序员都要失业了，这说法是真是假？

为了搞清楚这个问题，这次我们设计了一场“AI程序员能力挑战赛”。

别担心看不懂，我们会把所有测试都比喻成你最熟悉的生活任务。

这一次，我们尽可能选择了擅长编程的参赛选手：

深度求索：DeepSeek-R1

腾讯：Hunyuan-TurboS

阿里：Qwen3-Coder

智谱：GLM-4.5

月之暗面：Kimi-K2

百度：ERNIE-X1-Turbo

老规矩，开启深度思考，关闭联网搜索。

这次的“AI程序员能力挑战赛”，采用考驾照的方式。

我们将通过四个“科目”，从易到难，全方位考察参赛选手们的编程能力。

01

科目一：理论知识笔试（基础知识问答）

在真正上路（编写代码）前，我们得先测试一下AI参赛选手们的基础知识是否牢固。因此，我们选择了一些编程行业的“常识题”。

测试题目1：“请用一个初中生能听懂的比喻，解释一下什么是‘面向对象编程’（OOP）？”

“面向对象编程”是程序员行业内的一个核心哲学。

专业化的表述“封装、继承、多态”，别说初中生了，不少大学生和研究生都得犯迷糊。

这道题考的不是AI“懂不懂”，而是会不会“教”。

测评结果：

各模型选择了不同的生活场景，对面向对象编程中的经典概念进行讲解：

其中，Qwen3-Coder和Kimi-K2的讲解全面而生动，解释质量、准确性和启发性较高。

DeepSeek-R1、GLM-4.5和ERNIE-X1-Turbo对于关键的概念有所省略，但仍然能做到易于理解。

本轮评分：

测试题目2：“解释一下‘递归’是什么，并说明使用它时需要注意什么？”

“递归”是编程领域中一种“自己调用自己”的奇特技巧，优雅但危险。

用好了，程序的可读性和性能都会得以提升；用不好，程序很容易陷入无限循环，直到内存耗尽而崩溃。

测评结果：

各模型异曲同工地都选择了俄罗斯套娃作为比喻之一。

同时，详细地描述了使用递归时的限制条件。

所有模型都能对专业名词进行正确解释，且给出的比喻基本相同。

其中，Qwen3-Coder和GLM-4.5还提及了递归的应用场景，使回答更加充实；

而DeepSeek-R1、Hunyuan-TurboS和ERNIE-X1-Turbo在没有提及其他概念的情况下，将递归与循环和迭代做了对比，也是亮点之一。

本轮评分：

测试题目3：“进程和线程有什么区别和联系？举个例子说明。”

这是程序员面试的基础题目之一，涉及计算机如何同时处理多个任务的底层原理。

能讲清楚这两个概念，证明AI的计算机知识体系相当完备。

测评结果：

同样地，各模型首先给出简单的比喻，然后从多个方面对比二者的区别和联系：

与上一题类似，各模型给出的比喻大致相同。

除Kimi-K2外，各模型均从多个角度对比了进程与线程之间的区别和联系，内容充实。

其中GLM-4.5给出的答案篇幅较长，包含了简单的比喻和专业的解释，覆盖用户范围更广。

与之相反，Kimi-K2给出的回答却十分简短，虽然易于理解，但并未揭示二者的本质。

本轮评分：

科目一成绩：

理论考试环节，各模型都展现出了碾压性的实力。

这些本身就是计算机领域顶尖水平的“考生”，知识储备渊博，表达清晰，比喻也很精妙。

从评分来看，Qwen3-Coder和GLM-4.5，在理论方面略胜一筹。

如果光看笔试成绩，这些AI恐怕已经可以胜任本科生的计算机“私人教师”。

不过，程序员的世界，终究还要靠代码说话。

02

科目二：动手实践课（入门级编程任务）

理论知识过完，就来到基础操作环节。

这就像科目二中的“倒车入库”等环节，需要手眼协调，考验基本功是否扎实。

测试题目1：“写一个经典的‘FizzBuzz’问题：从1打印到100，如果是3的倍数就打印‘Fizz’，5的倍数就打印‘Buzz’，同时是3和5的倍数就打印‘FizzBuzz’，其他情况直接打印数字。”

从我们的角度看，这不过是一道小学生级别的数学题。

事实上，这类编程入门题能够快速判断AI的编程逻辑。

而我们作为“考官”，还要看看AI能不能给出我们一下子想不到的答案。

测评结果：

先说结论，AI生成的代码均可正确运行，给出的答案共有两种：

一是逆向逻辑：先判断15的倍数，再分别判断3和5的倍数；

二是字符串拼接：先判断3的倍数后输出字符串Fizz，再判断5的倍数后直接拼接Buzz。

DeepSeek-R1、GLM-4.5、Kimi-K2和ERNIE-X1-Turbo都只给出了第一种答案。

Hunyuan-TurboS和Qwen3-Coder则成功给出了两种答案，智能程度满分。

本轮评分：

测试题目2：“写一个函数，用来判断一个输入的正整数是不是‘素数’（也叫质数）。”

引入素数的概念，相比上一题稍难一些，人类可能难以一眼看出解法。

但细想一下，实际上核心思路很简单：

判断一个数是不是素数，没必要从2一直除到n-1。只需要除到它的“平方根”就行了。

这次，要考验AI对数学概念的程序化转换能力和浅层次的算法优化意识。

测评结果：

所有模型都给出了正确的算法；

除Hunyuan-TurboS外，所有模型均给出了可运行的代码；

除Hunyuan-TurboS和Kimi-K2外，其余模型均给出了时间复杂度。

值得关注的是，Hunyuan-TurboS和GLM-4.5均指出在数字较大时可以使用Miller-Rabin素性测试等更高效的算法。

而Qwen3-Coder不仅给出了正确的算法，还给出了适合批量判断的埃拉托斯特尼筛选法，也给出了时间复杂度。

本轮评分：

测试题目3：“写一个函数，判断一个字符串是不是‘回文’。”

这道题在一定程度上属于“开放式”题目，实现办法多种多样，考验AI处理字符串的能力。

由于解决方案较多，由人类来评判可能有失偏颇，我们请同行Gemini 2.5作为裁判进行评判。

测评结果：

“裁判”从方案广度与深度、代码质量与规范、解释与教学性、独特亮点和主要不足这五方面进行了客观的评价：

DeepSeek-R1：

方案广度与深度：高，提供了空间优化

代码质量与规范：高，代码严谨

解释与教学性：高，复杂度分析准确

独特亮点：提供了最高效的空间解法

主要不足：方案种类较少

Hunyuan-TurboS：

方案广度与深度：中，方案实用但缺少最优解

代码质量与规范：高，解法具备Python特色

解释与教学性：极高，排版清晰，总结表格

独特亮点：教学性和用户体验最佳

主要不足：缺乏空间复杂度的最优解|

Qwen3-Coder：

方案广度与深度：极高，四种方法，包含递归

代码质量与规范：极高，组织良好，包含测试函数

解释与教学性：高，对比清晰

独特亮点：技术最全面，广度与深度兼备

主要不足：排版不够生动

GLM-4.5：

方案广度与深度：中，专注最优解

代码质量与规范：极高，包含使用类型提示

解释与教学性：高，包含执行流程示例

独特亮点：对最优解的解释最形象

主要不足：方案单一，广度不足

Kimi-K2:

方案广度与深度：低，仅有一种方案

代码质量与规范：高，使用了__name__（Python编程风格）

解释与教学性：极高，语言最亲切、口语化

独特亮点：亲和力第一，代码结构规范

主要不足：技术深度最浅

ERNIE-X1-Turbo：

方案广度与深度：中，专注于接口设计

代码质量与规范：高，但有瑕疵

解释与教学性：高，展示不同应用场景

独特亮点：体现API设计思想，函数灵活可配置

主要不足：测试用例有逻辑错误

本轮评分：

科目二成绩：

到了实践环节，“考生”们开始展现出区分度。

Qwen3-Coder在三道测试题中都给出了完美的回答，毫无疑问获得满分，排行第一；

DeepSeek-R1和GLM-4.5也给出了高分回答，保证答案正确的情况下各具特色；

Hunyuan-TurboS和ERNIE-X1-Turbo则都出现了细小的错误，令人遗憾。

科目二的测试题目难度大概和大一大二的普通计算机学生水平相当。

由此可见，AI完成计算机专业部分课程的期末考试已经不在话下。

03

科目三：生活应用题（解决实际问题）

由于科目一和科目二还局限于学术范围，我们要再次升级难度。

科目三要测试的是AI能否解决我们生活和工作中的实际痛点。

这考验的不仅是AI的编程技巧，还有对人类需求的理解和解决问题的能力。

测试题目1：“我桌面上有几百个文件，有图片、文档和视频，太乱了。你写个程序帮我整理一下，把不同类型的文件放到各自的文件夹里。”

非常典型的“自动化办公”需求。

每次看到一台电脑的桌面上被堆满应用图标，强迫症都难以呼吸。

因此，这道题目要求AI编写一个与操作系统打交道的脚本。

需要完成文件的查找、分类、创建文件夹和移动文件等一系列操作。

测评结果：

所有模型都给出了可运行的代码，并实现了文件分类的功能。

其中，GLM-4.5给出了令人惊喜的回答：

它生成的代码提供了一个额外功能：模拟运行，即只显示操作但并不实际移动文件。

这对于评测来说是不可多得的亮点之一。

表现相对较差的则是Kimi，仅给出了图片、文档和视频三种分类方式。

本轮评分：

测试题目2：“我想知道现在外面空气质量怎么样，如果PM2.5指数很高，就提醒我戴口罩。帮我实现这个功能。”

难度进一步上升。

这道题的核心难点在于需求与“外部数据获取”挂钩，专业术语叫做“API调用”。

AI编写的程序需要能够访问一个提供天气或气象相关数据的网站，并获取PM2.5的数值。

而作为评判者，除了要关注数据的正确性，还要关注程序的自动化程度。

毕竟，很多网站的数据需要先注册才能获取，但“一键式”才是我们追求的目标。

测评结果：

对于这道难题，各模型给出的答案令人有些失望。

DeepSeek-R1没能给出直接获取数据的方法，给出的方案需要在tianqiapi.com注册获取密钥，但提供的链接也无法直接访问；同样地，ERNIE-X1-Turbo给出的方案也需要在和风天气注册获取密钥，且程序只能发挥定时检测作用而非查询作用。

Hunyuan-TurboS提供了两种方案，一种是使用OpenWeatherMap的API，同样需要注册并获取密钥；另一种是直接使用AQICN的公开数据，实现了“一键式”获取，虽然数据似乎有些不准确。

Qwen3-Coder生成的代码功能较为齐全，能够成功调用外部API实现“一键式”获取，但可惜查询存在错误，如输入城市为北京，但输出数据为上海，且程序运行一次后自动结束。

至于GLM-4.5和Kimi-K2提供的代码则完全无法实现所需功能，也未给出可行方案。

本轮评分：

测试题目3：“帮我做一个简易的密码生成器。”

第三题的需求相对封闭，不涉及外部依赖，AI的表现肉眼可见的“好起来了”。

因此，我们需要关注AI生成代码功能是否灵活、齐全。

测评结果：

所有模型都能编写出可用的密码生成器，但功能存在一定差别：

DeepSeek-R1非常贴心地在代码中加入了“避免模糊字符”功能，解决了常见的大写字母I和小写字母l的辨认问题。

Hunyuan则另辟蹊径，使用HTML形式编写了可交互式的密码生成器，且有密码强度评分功能。

Qwen3-Coder在允许用户自定义密码生成规则的情况下，还允许用户一次性生成多个密码。

GLM-4.5、Kimi-K2生成的代码只能在命令行中运行，操作比较麻烦；同时，Kimi-K2和ERNIE-X1-Turbo编写的密码生成器不允许用户自定义密码生成规则，灵活性较差。

本轮评分：

科目三成绩：

这一次，轮到Hunyuan-TurboS领跑赛道，独占榜首。

先前的测评中，我们已经知道，对模型来说获取准确的外界信息是一项难度很大的任务。

因此，能够跨越与外界联系的“鸿沟”，获取到气象数据，实属不易。

DeepSeek-R1和Qwen3-Coder紧随其后，在其他两道测试题上的表现不错，在封闭环境下发挥了可靠的能力。

其余三位考生则各有“短板”，发挥不佳，令人失望。

04

科目四：终极项目挑战（高阶综合能力）

这是最终的压力测试。

如果把前面的题目比作“零件”级别的任务，那科目四就像让AI动手“组装机器”。

下面的题目考验AI的系统设计、代码组织和综合应用能力。

如果能顺利通过科目四，证明AI已经是代码领域内一名合格的“司机”。

测试题目1：“帮我写一个网页版的待办事项列表（To-Do List）。”

入门级的前端项目。

它不只是一个后台脚本，而是需要一个用户能直接交互的“界面”。

这要求AI必须同时掌握三种“语言”：HTML、CSS和JavaScript。

测评结果：

所有模型都设计出了功能完备的待办事项列表。

值得注意的是，在程序结构方面，只有Qwen3-Coder将HTML、CSS和JS分成了三个独立的文件。而其他五个模型都选择了将CSS和JavaScript直接嵌入HTML文件中的做法。

看起来，Qwen3-Coder的做法并不如其他模型的做法便捷，无法“开箱即用”；

但是，“分文件”的做法才是专业Web开发者的标准做法，具备较高的可维护性和可读性。

这种方式有助于代码复用、团队协作和性能优化，教授了一种专业、可持续的开发模式。

尽管对新手来说稍有门槛，不过Qwen3-Coder也备注了详细的使用方法。

本轮评分：

测试题目2：“请编写一个程序，充当一个简单的网页信息提取器。它的任务是访问新浪财经的首页，然后自动提取并打印出该网站首页上‘要闻’区域的前5条新闻标题。”

AI应用的热门领域之一——网络爬虫。

这道题类似于让AI派出一个小机器人去自动浏览网页，从海量信息中精确地抓取所需信息。

不过，难点并非数据的提取，而是复杂且多变的网页结构该如何处理。

测评结果：

这道题也让AI参赛选手们出现了明显的“分化”。

很遗憾，DeepSeek-R1、GLM-4.5和ERNIE-X1-Turbo都无法获取到指定内容。

相比之下，Hunyuan-TurboS和Kimi-K2的爬取能力明显增强，能够获取到网页信息，不过位置有错误。

只有Qwen3-Coder出色地完成了任务，爬取到了正确的新闻标题。

本轮评分：

测试题目3：“请用代码模拟一个最简单的图书馆借书系统。需要有‘书’和‘读者’这两个概念。”

最后一道测试题回归到了纯粹的“系统设计”，考察前面“面向对象”思想的实际应用。

事实上，这也是计算机专业学生几乎必定经历过的课程设计题目之一。

因此，我们将测评题目也设计为开放式，只告诉了AI最基本的需求。

除了完成系统的设计，我们还要着重观察AI能否添加并完善系统的功能。

测评结果：

所有模型都给出了可运行的代码，构建了复杂程度不同的图书馆系统。

对于借书、还书的逻辑，所有模型都能够轻而易举地正确复现。

但是，对于没有直接提出的一些需求，则暴露出部分模型的短板。

DeepSeek-R1、Hunyuan-TurboS、Qwen3-Coder和GLM-4.5都很自觉地加入了查询图书馆藏书清单和查询用户借阅清单的功能。

而Kimi-K2和ERNIE-X1-Turbo却只实现了简单的借书和还书逻辑。

另外，我们要求AI设计的是图书馆“系统”。

顾名思义，这个系统是要能够与用户进行交互的。

这里必须夸奖一波Qwen3-Coder，六个模型中唯一采用交互式而非测试用例的AI。

它生成的代码提供了两种运行模式，允许使用测试用例进行演示，也允许用户上手操作：

同时，实现的功能也是所有AI中最为齐全的：

本轮评分：

科目四成绩：

毫无疑问，在其他模型表现平庸的衬托下，Qwen3-Coder的编程能力一骑绝尘。

它不仅能够正确理解人们的实际需求，还能够根据概念来构建一个完善的微型系统。

设计清晰，逻辑严谨，功能强大，令人信服。

05

一点基本结论

这场驾照考试就到此为止。

通过各个科目的成绩，可以看出，Qwen3-Coder轻松拿到了本次考试的榜首。

不论是在理论知识、基础编程、生活应用还是项目挑战，它都能够成为一个写代码的“好帮手”。

同时，在测评过程中，我们也注意到了一些其他的细节：

生成代码的长度和速度方面，Qwen3-Coder都体现出了明显的优势。

在科目四的测试中，它生成的代码比其他模型要长数十行，却能够比其他模型更快完成编写。

反之，Kimi-K2的代码风格极为简洁，长度极短，因此也基本只能实现文字意义上的功能。

但总的来说，对于较为简单的需求，现阶段的AI水平已经足够。

那么，回到我们先前讨论的问题：AI能取代程序员了吗？

答案是：目前还不能，但它已经在彻底改变“程序员”这个职业的定义。

与其说是取代程序员，不如说AI是在推动自己和程序员的“进化”。

不仅是程序员，对于有编程需要的学生和职场人来说，AI大模型已经成为必不可少的“外挂”。

以AI目前的能力，解决掉80%以上的重复枯燥的“体力活”（写基础代码、查资料、写注释等）已经不在话下。

同时，它还能在几分钟内，搭建起一个项目的“毛坯房”，用户无需在程序框架上绞尽脑汁，而是可以把精力投入到“室内精装修”（核心业务逻辑、用户体验优化、系统架构设计）。

更重要的是，它能极大地降低编程的入门门槛，那些有创意但不懂技术的人，已经不再需要把自己培养成程序员，就可以借助AI将想法变为现实。

说实话，在这次测评的过程中，看到AI在几十秒内就生成了一个功能完整的程序时，作为一个几年前毕业的计算机学生，我直接愣住了，甚至有点恍惚。

屏幕上自动滚动的代码，结构清晰、注释齐全，脑海里闪过的，不是AI生成的速度如此之快、质量如此之高，而是当年为一个类似的课程设计通宵达旦的场景。

以前，为了实现一个简单的图书馆借阅系统，我可能要一边翻阅C++的“抽象圣经”，一边因为一个数据库的BUG在CSDN的帖子间反复横跳；为了实现最简单的一个UI界面，我可能要在使用文档上花一个下午，因为找Bug找几个小时而怀疑人生。整个课程设计从开始到运行，几周的时间并不算长。

而现在，AI完成这些的时间，只用了我喝一杯水的时间。

百感交集，有一种青春被“降维打击”的失落感。以前熬夜攻克的“难题”，现在AI云淡风轻地一笔带过。与此同时产生的，是一种难以言喻的惆怅和敬畏。

我们这一代程序员，已经是见证历史的一代。我们曾用双手砌墙，而未来的程序员将直接指挥机器人盖起高楼大厦。

当然，这不是一个时代的落幕，而是一个新纪元的开启。

程序员的价值，将不再是“砌墙”，而是设计大厦的“蓝图”，我们的目标，是思考它的结构、它的美感和它的价值。

当然，得带着AI助手。

因此，没有太多的焦虑，更多的是对未来AI时代的期待。

编者按：本文转载自微信公众号：硅基星芒，作者：思齐