Opus 5 挑战 SlopCodeBench 编程基准测试：24% 通过率揭示长程代码演进难题

核心要点

• 动态需求测试：SlopCodeBench 区别于传统一次性给出问题的基准测试，它通过多个“检查点”逐步发布需求，要求模型随时间演进代码库。
• Opus 5 表现：在测试子集中，Opus 5 取得了 24% 的严格通过率，略高于此前 Opus 4.6 的 17% 和 GPT-5.4 的 11%。
• 代码质量隐忧：所有受测模型在任务过程中均表现出冗余度（Verbosity）和复杂度的显著增加，存在明显的“代码异味”问题。
• 函数激增现象：Opus 5 在相同任务集中编写的函数/调用数量是 Opus 4.8 的五倍，显示出其在代码组织上的局限性。
• 行业现状：测试结果表明，目前的 AI 模型在处理真实场景下的持续性软件工程工作时，依然难以维持代码库的长期质量。

详细分析

动态演进：SlopCodeBench 的独特测试机制

SlopCodeBench 是由威斯康星大学麦迪逊分校（UW Madison）实验室开发的一种新型长程编程基准测试。与传统测试不同，它解决了开发者最关注的问题：即大多数基准测试会预先披露所有问题细节。而在 SlopCodeBench 中，每个挑战都包含多个“检查点”，模型无法预知后续需求，必须像人类开发者一样，在不断变化的要求下逐步优化和扩展代码库。这种模式更贴近真实的软件开发流程，对模型的逻辑一致性和架构设计能力提出了极高要求。

Opus 5 的性能表现：提升与代价并存

在针对 Claude 系列模型（包括 Opus 4.8、Sonnet 5 和 Opus 5）的实测中，Opus 5 虽然在技术指标上胜出，取得了 24% 的通过率，但这一进步并未达到令人满意的程度。研究发现，随着挑战的深入，Opus 5 生成的代码变得异常臃肿。具体数据显示，Opus 5 生成的函数和可调用对象数量竟然是 Opus 4.8 的五倍。这种复杂度的提升往往伴随着“代码异味”的增加，意味着模型在解决问题的同时，也在不断引入难以维护的技术债。

真实软件工程的挑战：从“生成”到“维护”

本次测试结果为 AI 行业提供了一个重要的信号：当前的 AI 模型在处理“一次性”代码生成任务时表现出色，但在面对需要逐个解决 issue、持续迭代的真实软件工程任务时，依然显得力不从心。尽管 Opus 5 在通过率上有所突破，但其在代码简洁性和长期维护性上的表现，证明了 AI 距离成为真正合格的“AI 软件工程师”仍有很长一段路要走。未来，如何让模型在保持功能正确性的同时，兼顾代码的优雅与精简，将是行业研究的重点。

行业影响

该新闻揭示了 AI 编程领域从“简单任务完成”向“长程工程维护”评估的范式转移。SlopCodeBench 的未饱和状态（最高通过率仅 24%）为下一代编程模型指明了方向。对于开发者工具厂商而言，这预示着未来的竞争焦点将不再仅仅是代码生成的准确性，更是对代码库演进过程中的质量控制能力。此外，Opus 5 的表现也提醒行业，模型规模的增长并不直接等同于软件工程能力的质变。

常见问题

什么是 SlopCodeBench？

SlopCodeBench 是由威斯康星大学麦迪逊分校于 2026 年 3 月发布的一种长程编程基准测试。它的核心特点是采用“检查点”机制，模拟真实开发中需求逐步披露的过程，测试模型在代码库演进中的维护能力。

Opus 5 在测试中的主要问题是什么？

虽然 Opus 5 的通过率有所提升，但其生成的代码存在严重的冗余和复杂性问题。在测试中，它生成的函数数量是前代模型的五倍，表现出明显的“代码异味”，难以维持高质量的代码库架构。

目前表现最好的模型有哪些？

根据已知数据，在 SlopCodeBench 上表现较好的模型包括 Opus 5（24% 通过率）、Opus 4.6（17%）和 GPT-5.4（11%）。未来预计还将有 Fable 和 5.6 Sol 等模型加入测试对比。