Kimi K3在Next.js代码生成基准测试中击败Claude Fable 5和GPT 5.6 Sol

一项针对AI编程智能体在Next.js代码生成与迁移任务上的新公开基准测试有了明确的赢家，而且并非来自通常主导这些比较的实验室。运行OpenCode智能体的Kimi K3以92%的成功率并列榜首，与Claude Code上的Claude Fable 5（高配）、Cursor Composer 2.5以及Codex上的GPT 5.6 Sol（超级）持平。Kimi K3的特别之处在于用时：它在领导者中实现了最快的平均完成时间，为199.89秒，比GPT 5.6 Sol的231.83秒快了超过半分钟。

该评估于2026年7月17日最后更新，涵盖在包含应用脚手架、组件生成、API路由创建以及旧版Next.js模式迁移的测试套件上测试的24种智能体-模型组合。结果挑战了一个常见假设：更深的上下文窗口和更昂贵的推理层级会自动产生更好的代码。排名前四的智能体跨越了截然不同的定价层级和智能体架构，但最终得分仅相差一个百分点。

AGENTS.md：伟大的均衡器

数据中最引人注目的模式是单个文件即AGENTS.md的影响，这是一份捆绑的Next.js参考文档，在第二次评估中提供给智能体。没有它时，成功率从21%（Kimi K2.5）到92%（四位领先者）不等。有了它，24个条目中的15个，包括所有基线在75%及以上的模型，都跃升至96%。只有排名最后的四个模型（Kimi K2.5为58%，MiniMax M2.7为63%，以及其他三个在79%-83%之间的模型）未能达到这一上限。

对于中端模型来说，提升是显著的。Claude Opus 4.7（最高配）从75%升至96%。Cursor Composer 2.0从75%升至92%。OpenCode上的Grok 4.5从83%跃升至96%。文档文件基本上抹平了一个200美元/小时模型与一个预算模型之间的差距，只要智能体的基本检索能力能够读取Markdown文件。

这对于评估编程智能体的团队具有实际意义。无文档情况下的成功率衡量的是模型自身的Next.js知识, , 框架的API表面有多少融入了其训练数据。有文档情况下的成功率测试的则是另一种技能：智能体遵循参考文件中明确指令的能力。对于大多数实际工作而言，后者更为重要，因为团队可以发布他们自己的AGENTS.md文档，涵盖内部模式、已弃用的API和风格约定。

速度与性能的权衡

整个表格中的完成时间差异巨大。Cursor Composer 1.5以115.52秒的总时间实现了最快成绩，但准确率仅为67%。使用Codex智能体在最高推理层级的GPT 5.5 Pro耗时771.63秒，高于其他任何条目，成功率为83%，使其落后于用时不到150秒就完成任务的模型。其在使用AGENTS.md时的83%得分也是所有起点在75%及以上模型中的最低值。

Gemini的表现参差不齐：Gemini CLI上的Gemini 3.1 Pro Preview在247秒内达到75%，而Gemini 3.0 Pro Preview则以67%和260秒的用时出现。当获得文档后，两者分别跃升至83%和83%，但均未突破进入第一梯队。

MiniMax M3在速度上令人意外：181.88秒完成75%，使用文档后跃升至96%，这表明其智能体循环高效，即使其原始的Next.js知识并不突出。

这对选择编程智能体意味着什么

该基准测试明确了几点。首先，智能体之间最大的区别不在于它们在原始任务上的峰值准确率，而是在获得适当上下文时，它们能以多低的成本和多快的速度达到足够好的结果。其次，排名前四的模型（Kimi K3、Claude Fable 5、GPT 5.6 Sol、Cursor Composer 2.5）在结果上无法区分，使用文档后均为96%，除Cursor的149秒异常值外，所有模型都在37秒的时长范围内。选择它们取决于成本、延迟容忍度和生态系统集成，而非原始代码质量。

第三，该表格警告不要仅根据单一指标选择智能体。GPT 5.5 Pro的成本更高、运行时间更长，却只获得中游结果。Claude Opus 4.6和4.7在不使用文档时均为75%，但使用文档后均为96%，与最佳模型达到相同上限。AI辅助编程中最佳与中位数之间的差距比许多供应商希望你相信的要小，而一个Markdown文件往往是缺失的关键环节。