国产模型编码能力实测:DeepSeek V4 vs Qwen3.5 vs GLM-5

求测试题集

50 题都在帖尾仓库链接里,含评分脚本,直接 python eval.py --model xxx 就能跑。

求测试题集,想在自己业务场景上复跑一遍。

和我的体感一致。V4 的 agentic 能力真的立起来了,复杂重构任务能一次跑通,去年还不行。