2026年4月，12天内，4家中国AI实验室相继推出开源编码大模型。这个密度，在AI史上没有先例。如果你还觉得这只是产品发布节奏的巧合，可能需要重新看一遍这份时间表。
时间线复盘：12 天发生了什么
这不是一场有人组织的联合发布。没有协调，没有联合声明。四家实验室各自盯着各自的 SWE-bench 跑分，各自赶工，然后在同一个月的同一个区间内，撞在了一起。
| 日期 | 实验室 | 模型 | 关键指标 |
|---|---|---|---|
| 4月7日 | Z.ai（智谱） | GLM-5.1 | SWE-Bench Pro 58.4%，MIT 协议 |
| 4月中旬 | MiniMax | M2.7 | SWE-Pro 56.22%，230B 总参数 |
| 4月20日 | 月之暗面 | Kimi K2.6 | 1T 总参数，262K 上下文 |
| 4月24日 | DeepSeek | V4-Pro + V4-Flash | SWE-bench Verified 80.6% / 79.0% |
四款模型，覆盖了从 230B 到 1.6T 的参数规模，从 200K 到 1M 的上下文长度，许可证从 MIT 到各家自定义协议不等。但有一件事高度一致，就是都把编码能力放在发布的核心位置。
根据 Artificial Analysis 的数据，到2026年4月，至少有三款中国模型在 SWE-Bench Verified 上突破75%，直接进入与 GPT-5.4 和 Claude Opus 4.6 的正面竞争区间。
这个数字在一年前还是另一幅图景。2025年初，SWE-Bench 排行榜前五基本是西方闭源模型的天下。现在打开那个页面，前十里中国模型占了一半。
四款模型：各打各的算盘
了解这四款模型，不能只看跑分。跑分是结果，背后的定位才是值得关注的东西。
GLM-5.1（Z.ai）
参数架构是 744B 总参数，40B 激活，MoE 结构。重要的是许可证，MIT，商业可用，无限制。发布当天，GLM-5.1 以 58.4% 的成绩拿下 SWE-Bench Pro 第一，超过 GPT-5.4 的 57.7% 和 Claude Opus 4.6 的 57.3%。200K 上下文，131K 最大输出。
MIT 开源这个选择，意味着你可以拿去商用、修改、再分发。这不是每家实验室都愿意的事。
MiniMax M2.7
MiniMax 的打法有点不一样。230B 总参数，10B 激活，256 个专家，200K 上下文。跑分上 SWE-Pro 56.22%，略低于 GLM-5.1，但它的特别之处在于模型的自演化设计，在 VIBE-Pro 和 Terminal Bench 2 这两个更接近实际工程任务的基准上，成绩分别是 55.6% 和 57.0%，表现稳定。
论推理成本，10B 激活参数的效率优势相当明显，这是它在 API 定价上能打得很便宜的底气。
Kimi K2.6（月之暗面）
体量最大的一款。1T 总参数，32B 激活，MoE 架构，262K 上下文。在覆盖115款模型的编程基准排行里，平均分拿到 89.1，排第6位。工具调用成功率 96.60%，比上一版 K2.5 提升了约6个百分点。
Kimi 的方向是 agent 型，不只是写代码，更是跑任务，调工具，完成完整的工程流程。262K 上下文让它在处理大型代码仓库时有实质优势。
DeepSeek V4
DeepSeek 这次发了两款，一重一轻。V4-Pro 是 1.6T 总参数、49B 激活；V4-Flash 是 284B 总参数、13B 激活，两款都支持 1M 上下文。
在 SWE-bench Verified 上，Pro 80.6%、Flash 79.0%，差距 1.6 个百分点。在 LiveCodeBench Pass@1 上，Pro 93.5%、Flash 91.6%。Flash 的推理速度达到 83.6 tokens/秒，首字延迟 1.04 秒。差距只在最复杂的 agent 任务和事实知识上拉开，比如 Terminal-Bench 2.0 里 Flash 56.9% 对 Pro 67.9%。
“Flash 和 Pro 在代码基准上的差距不到2个百分点，但成本差异却是数倍。对于大多数开发者任务来说，Flash 已经够用。” ——来自 Artificial Analysis 的评测报告
下面是四款模型的参数和性能对比：
| 模型 | 总参数 | 激活参数 | 上下文 | SWE-Bench | 开源协议 |
|---|---|---|---|---|---|
| GLM-5.1 | 744B | 40B | 200K | Pro 58.4% | MIT |
| MiniMax M2.7 | 230B | 10B | 200K | Pro 56.22% | 自定义 |
| Kimi K2.6 | 1T | 32B | 262K | Verified 89.1 均分 | 自定义 |
| DeepSeek V4-Pro | 1.6T | 49B | 1M | Verified 80.6% | 自定义 |
| DeepSeek V4-Flash | 284B | 13B | 1M | Verified 79.0% | 自定义 |
为什么都押注编码
这里有两个层面的解释，需要分开看。
需求侧：编程是最好变现的 AI 场景
Cursor、GitHub Copilot 的商业成功证明了一件事，开发者愿意为 AI 编码工具付真实的钱。企业买 AI 辅助编程的理由很直接，工程师时薪贵，AI 能压成本，ROI 算得清楚。
这与消费端的其他 AI 应用不同。消费端要留住用户，要制造粘性，周期长，难评估。编程场景的价值，用跑通率、调试时间、代码审查速度来量化，相对直接。
而且 coding AI 的竞争门槛在抬高。能写出代码已经不够，现在的差距在于能不能完成完整的工程任务，维护大型代码仓，自动修复 bug，协调工具链。这个方向上的能力，正是这四款模型集中发力的地方。
供给侧：编码基准是最可信的评估维度之一
SWE-bench 这类基准，评估的是模型在真实 GitHub issue 上修复 bug 的能力。任务有明确的通过或失败，相对难以刷分。这让编码成为最容易对外展示实力的场景，发布时有说服力的数字，开发者有可验证的方式自行测试。
更深一层，MoE 架构在代码生成上的表现，天然适合这些模型的设计路线。代码的局部性很强，专家路由在这里的效率优势，比自然语言生成更明显。
还有一个不太被提到的因素：模型蒸馏。西方实验室早就注意到，自家模型的能力正在通过合成数据流向中国开源模型。用 GPT 或 Claude 生成的代码数据训练新模型，在某种程度上是站在巨人肩膀上起跑。这件事在 AI 社区里是公开的讨论议题，只是没有人有好的办法完全防住。
西方 AI 的反应
OpenAI 和 Anthropic 对这波发布的官方回应基本是沉默。能观察到的是，几家公司都在加快推出自己的编程专用产品线，强调 agent 能力和代码生成质量，而不再只是通用模型的更新。
开发者社区的反应更直接。Hacker News 和 Reddit 上出现了大量的横评帖子，自行测试 GLM-5.1 和 DeepSeek V4 的帖子在4月下旬集中爆发。评论里反复出现的词是"便宜"和"够用"。Kimi K2.6 的 API 价格比 Claude Opus 4.6 便宜约75%，对预算有限的独立开发者来说，这个价差不难做出选择。
模型蒸馏防范这件事，目前来看，效果有限。技术上可以给输出打水印，或者在服务条款里限制竞争性使用，但当开源权重本身就在 Hugging Face 上公开时，这些措施的边界很难划清楚。
这让西方大模型公司陷入一个结构性问题：如果你的闭源优势持续被开源追赶，而追赶方还在持续压低成本，你的护城河靠什么维持？速度，目前还是答案之一。但速度本身也在被压缩。
写在最后
12天4家，不是营销活动，也不是意外。这是一个生态系统在某一场景集中爆发的信号。
中国 AI 在编码领域的这轮冲锋，把 DeepSeek 的路线复制得更彻底，更集中。参数更大，成本更低，开源为先。而这几款模型，你现在就可以在 Hugging Face 下载下来，自己跑，自己测。这一点，才是值得认真对待的。
你现在用的编程 AI，可能在六个月内就需要换一次选型决策。
参考与延伸阅读
本文数据来源：