SuperCLUE-DeepSWE是面向中文真实开发场景的长程软件工程基准，重点评测大模型在智能体框架驱动下的持续执行与完整交付能力。模型需要在真实代码库中完成一项新功能，并保持原有功能正确。测评中，各模型平均每任务约进行150轮交互、运行约80分钟，单任务限时3小时。

相关文章参考：

中文长程软件工程测评发布！DeepSeek-V4.1新轻量版领跑国内榜单｜SuperCLUE-DeepSWE

中文场景软件工程测评升级 ｜SuperCLUE-DeepSWE

# 测评总榜

# 测评象限图

← 左右滑动查看四张图 →

Kimi-K3.1-Pro(max)以70.59分领跑国内榜单，较DeepSeek-V4.1-Flash-1017(max)的64.71分高出5.88分。MiniMax-M3.1-Flash(max)为47.06分；Qwen3.8-Max-0902(xhigh)与LongCat-2.5-Preview(xhigh)均为45.10分。

本次Kimi-K3.1-Pro(max)采用套餐API进行测评，智能体框架使用Claude Code。其他模型的智能体框架与测评方式，详见此前发布的《中文长程软件工程测评发布！DeepSeek-V4.1新轻量版领跑国内榜单｜SuperCLUE-DeepSWE》。

1.Kimi-K3.1-Pro：复杂软件工程能力显著提升

相较上一代Kimi-K3(max)，Kimi-K3.1-Pro(max)得分由41.18分升至70.59分，提高29.41分。从测评表现看，核心提升在于复杂约束下的完整交付：事务与并发状态处理更严谨，取消、异常和资源清理等边界覆盖更充分，同时兼顾新功能实现与回归兼容性。

2.性价比：Kimi得分提升、成本下降

Kimi-K3.1-Pro平均每任务成本为25.83元，较上一代Kimi-K3的45.45元降低43.17%，得分由41.18分升至70.59分。新版本在提高任务完成质量的同时，也降低了平均任务费用。

与DeepSeek-V4.1-Flash-1017相比，Kimi得分更高，但平均任务成本也更高：25.83元对1.84元，约为后者的14.04倍。DeepSeek以64.71分保持较强交付表现，仍是榜单中平均任务费用最低的模型。两者分别体现了更高通过率与更低成本的优势。

3.运行效能：Kimi较上一代模型平均耗时接近减半

Kimi-K3.1-Pro平均每任务耗时49.43分钟，较上一代的95.08分钟缩短48.01%，并且没有出现任务超时现象。在得分明显提升的同时，平均执行时间接近减半，体现了更好的长程任务交付效率。

横向比较，DeepSeek-V4.1-Flash-1017平均耗时35.50分钟，仍短于Kimi；MiniMax-M3.1-Flash为47.30分钟，与Kimi较为接近。耗时包含模型交互、工具执行、编译与测试等完整流程，反映端到端执行效率，不直接等同于模型的Token生成速度。

4.交互效率：Kimi-K3.1-Pro较Kimi-K3交互更少，完成率更高

Kimi-K3.1-Pro平均每任务交互110.76轮，较上一代的127.20轮减少12.92%，得分则从41.18分提升至70.59分。与DeepSeek-V4.1-Flash-1017的111.94轮相比，两者交互投入接近，Kimi在本轮取得了更高的任务通过率。

5.Token消耗：从用量构成看Kimi-K3.1-Pro的任务成本

按非缓存输入、缓存命中与输出Token相加，Kimi-K3.1-Pro平均每任务累计消耗约1429.78万Token，较上一代的1587.48万降低9.93%。其中，非缓存输入约21.75万、缓存命中约1400.98万、输出约7.04万，累计用量主要来自多轮交互中的缓存读取。DeepSeek-V4.1-Flash-1017平均每任务约消耗1755.00万Token，高于Kimi，但任务费用更低。

联系我们