编程与代码审查

先写验收，再选模型

选择一个能在本地复现的问题，记录环境、依赖版本、复现步骤和预期行为。修复任务的合格标准应包括原有测试继续通过、新问题被覆盖，以及没有不相关修改。

候选依据和边界

候选依据本站编程参考榜。不同公开评测的任务范围并不相同，网页生成表现不能直接代表大型仓库维护能力。请使用与你的语言、框架和代码规模接近的任务再验证。

如何做公平比较

向每个模型提供相同的代码、限制条件与测试命令。保存第一次输出及后续修复轮次，分别记录测试通过情况、人工修改量和累计输入输出。运行生成代码时使用隔离环境，不把通过文字自述当成通过测试。

如何算一次完成的成本

先估算每次调用输入与输出，再乘以实际调用次数。还要记录失败重试和工具返回占用的上下文。可在成本工具中分别建立少轮次与多轮次两种预算场景。

资料与验证依据

• Claude：提示设计与成功标准

候选采用本站公开参考数据；本文没有把榜单名次当作本站任务实测结果。