编码智能体赛道的正面交锋：Opus 4.8 在 NL2Repo、Toolathlon 略占优，V4-Pro 在 CyberGym、HLE 反超，价格差维持一个量级。
| Benchmark | GLM-5.3 | Kimi K3 | DeepSeek-V4-Pro | Opus 4.8 | GPT-5.6 Sol |
|---|---|---|---|---|---|
| Terminal-Bench 2.1 | 88.2 | 88.3 | 87.9 | 85.0 | 88.8 |
| Terminal-Bench 3.0 | 28.3 | 17.4 | — | 21.1 | 34.6 |
| DeepSWE v1.1 | 66.9 | 67.5 | 62.7 | 58.0 | 72.7 |
| NL2Repo | 58.0 | 58.0 | 61.1 | 69.7 | — |
| CyberGym | 84.5 | 80.0 | 83.3 | 78.1 | 83.6 |
| Toolathlon Verified | 73.0 | 76.5 | 74.1 | 76.2 | 74.9 |
| AutomationBench v1.0.6 | 48.2 | 46.7 | 43.2 | 41.0 | 45.8 |
| ALE-CLI | 28.5 | 27.6 | 25.7 | 25.7 | 28.6 |
| HLE w/ Tools | 62.5 | 59.8 | 60.0 | 57.9 | 64.5 |
| GDPval-AA v2 | 1769 | 1682 | 1590 | 1588 | 1730 |
数据来源：Z.ai 官方博客（2026-08-14）；未参评以 — 表示。DeepSeek 价格：V4-Pro 错峰 $0.66/$1.98、V4-Flash $0.14/$0.28、V4.1-Flash-1017 $0.15/$0.60 每百万 tokens。
Opus 4.8：NL2Repo 69.7、Toolathlon 76.2、AutomationBench 41.0；V4-Pro：61.1 / 74.1 / 43.2——互有胜负，差距在个位数百分点。
两者同为 1M 级窗口；第三方评测指出 Opus 4.6/4.8 的 MRCR 检索召回仍领先，DeepSeek 靠 CSA+HCA 把成本压到 27% FLOPs / 10% KV。
CyberGym：V4-Pro 83.3 vs Opus 78.1——漏洞发现赛道 DeepSeek 当前占优；ExploitGym 系 GPT/Fable 更激进。
追求闭源最强编码体感与长检索精度选 Claude；预算敏感、需要安全审计能力或自托管，选 DeepSeek。