编程 AI 模型怎么选？拿自己的代码试

先写下任务和验收方式

修一个 bug、补一个界面和理解一个大型仓库，需要的能力不同。选 5–10 个日常会遇到的任务：描述清楚输入，保存预期结果，明确编译、功能检查或人工审核条件。不要让模型自己给自己打分。

从编程榜选几个候选

用编程榜缩小范围，再检查具体模型版本、评测来源和证据覆盖。共识指数用于对比，不是代码正确率；名次接近或证据不足时，应该多保留一个候选。榜首也可能不适合你的项目约束。

用同样的上下文比较

给候选相同的代码、任务说明和工具权限。记录第一次完成是否可用、修正次数、耗时、输入和输出 Token。智能体场景还要记录实际工具调用及修改文件范围。先检查结果，再讨论回答是否看起来漂亮。

一张简单记录表：任务 / 模型版本 / 首次通过 / 修正次数 / 总 Token / 总耗时。重复跑少量任务，避免一次碰巧成功决定全部选型。

按任务拆分预算

可以用较便宜的模型处理常规修改，用更强的模型处理难定位的问题；但每次切换都会引入上下文和维护成本。先把一个模型用稳定，再决定是否值得增加第二个。