sudo L7

2026-10-28 · 通用编码能力

测什么: 通用编码能力：在真实代码库里完成改动、发现风险、验证危险情况，并把决定说清楚。60 道题由 staff 及以上工程师编写，多数来自私有生产仓库，也有开源项目。在本站作为 general 榜，同时出现在 Web 前端与 Android 场景。
怎么测: Surge AI 的 sudo L7。专家为每道题写评分细则，模型对照细则打分，并用单元测试、静态分析等可执行检查作证据。博客称共八个维度，点名的有功能正确性、实践判断、思路协作（Thought Partnership）、验证、工程工艺（Engineering Craft）、如实报告（Truthful Reporting）和沟通。
分数含义: 百分比是没有漏掉必要要求的任务比例。榜单页只公布这一列。功能正确性上前四名接近：Sol 82.4%，Opus 5.5 82.1%，Astra 81.5%，Sonnet 5.5 79.6%。思路协作上 Opus 76.1%、Sonnet 74.8%，Sol 53.0%、Astra 51.6%。沟通上 Sonnet 72.4%，Sol 44.1%。
注意: 榜很新，只有 60 题，任务集不公开。评分由模型对照专家细则完成。Surge 是 AI 数据供应商。博客里的单任务成本是约数，榜单页没有成本列。
更新: 博客发布于 2026-10-08。本页于 2026-10-28 同步公开 sudo L7 表全部 16 行（不含同页 DAYJOB / GDP.xlsx 侧榜）。Sonnet 5.5 Adaptive/Max 50.6% 居首；Kimi K3.1 Pro 与 Qwen 3.8 Max 并列第 6（16.7%）。
来源: surgehq.ai/benchmarks/sudo-l7 surgehq.ai/blog/sudo-l7

完整榜单

#	模型	分数

1	Claude Sonnet 5.5Adaptive/Max	50.6
2	Claude Opus 5.5Adaptive/Max	45.6
3	GPT 6.1 SolMax reasoning	33.9
4	Claude Fable 5.1Adaptive/Max	32.2
5	GPT 6 AstraMax reasoning	31.1
6	Qwen 3.8 MaxxHigh reasoning	16.7
6	Kimi K3.1 ProMax reasoning	16.7
8	Gemini 4 ArgonHigh reasoning	16.1
8	Muse WonderMax reasoning	16.1
10	Hy4 PreviewHigh reasoning	15.6
11	MMistral Large 4High reasoning	13.9
12	Muse Spark 1.3Max reasoning	12.8
13	Kimi K3Max reasoning	12.2
13	Grok 4.7xHigh reasoning	12.2
15	Gemini 3.8 FlashHigh reasoning	10.6
16	GLM 5.3Max reasoning	9.4