这不是一张普通的排行榜，而是Next.js亲自出题、在真实开发环境里打出来的成绩单。

2026年7月17日，Vercel首席执行官吉列尔莫·劳赫（Guillermo Rauch）公布了公司自研的Next.js评估结果。月之暗面（Moonshot AI）的Kimi K3，以92%的任务成功率、199.89秒的完成时间，击败了Anthropic的Claude Fable 5和OpenAI的GPT 5.6 Sol，在这项针对真实编程场景的基准测试中拿下首位。

劳赫在公告中明确强调，这是开源模型首次在该基准测试中取得领先，并将其定性为一个"值得公开强调的信号"。

同样的准确率，更短的时间，差距就藏在这里

这次测试的数字，乍看之下不那么戏剧性，三款顶级模型的成功率都是92%，差距几乎不存在。但时间栏的数字，把故事讲清楚了。

Kimi K3搭配OpenCode框架完成任务，用时199.89秒。Claude Fable 5在Claude Code框架内运行，耗时233.93秒。GPT 5.6 Sol在Codex框架内运行，用时231.83秒。

也就是说，Kimi K3在完成同等质量任务的情况下，比两个顶级闭源对手快了大约15%到17%。

在编程助手的实际使用场景中，速度不是可有可无的指标，它直接影响开发者的工作节奏和工具切换意愿。更快的响应，意味着更流畅的人机协作循环，这一点在多步骤代理任务中尤为明显。

这项评估的设计本身，也值得特别说明。Next.js评估并非一个人为构造的合成题库，而是Vercel面向真实开发工作流设计的测试套件，覆盖从编写全新组件到将旧代码库迁移至更新框架规范的各类任务。所有参赛模型都在Claude Code、Codex、Cursor、OpenCode等真实编程环境中运行，而非在隔离的聊天窗口里回答问题。这种设计让测试结果更贴近开发者的日常体验，也更难被刷分技巧操控。

排名靠后的数据同样值得关注。GPT 5.5 Pro的成功率和Kimi K3相同，但完成每项任务平均耗时771.63秒，是大多数同类模型的三倍以上。用同样的时间成本换同样的准确率，这个性价比上的差距，在大规模生产部署中会被急剧放大。

一份文档，让所有模型都涨了四个百分点

这次评估还有一个细节，低调但意味深长。

Vercel在测试中为部分模型配置了AGENTS.md文件，这是一份书面说明，向AI代理介绍代码库的结构规范和约定。加上这份文档后，Kimi K3、GLM 5.2、Claude Opus 4.8、Grok 4.5等几乎所有模型的成功率都从92%跃升至96%，提升幅度相当一致。

唯一的例外是GPT 5.6 Sol，加上AGENTS.md后成绩依然停在92%，没有变化。

这个现象指向一个值得深思的分歧：大多数模型对外部上下文文档的依赖度较高，提供清晰的代码库说明能显著改善其表现；而GPT 5.6 Sol似乎更多依赖自身对代码库的推断能力，对外部指引的响应不那么敏感。这两种设计思路，代表了当前AI编程助手的两条不同技术路线，各有其适用场景和局限性。

劳赫也坦言，即便是最强的模型，在无人协助的情况下成功率仍只有92%，有文档辅助时也只能到96%，没有任何模型达到100%。这个上限，是目前整个行业在复杂真实任务上共同面对的天花板，与具体的模型选择无关。

Kimi从K2到K3：中国开源AI的追赶轨迹

这次测试结果，放在月之暗面过去一年的产品节奏里看，会更有意思。

Kimi K2在一年多前发布时，就被业界定位为当时最强大的开源模型，在SWE-Bench Pro等主流编程评测中与顶级闭源模型并驾齐驱。此后的K2.5、K2.6、K2.7 Code版本持续迭代，每个版本都在缩小与OpenAI、Anthropic之间的能力差距。如今K3在Vercel的真实开发场景评测中拿下第一，是这条追赶曲线的最新标注点。

更具战略意义的背景是：Kimi K3是一个开放权重模型，开发者可以直接调用或部署，无需支付昂贵的API调用费用，也不受单一供应商的平台约束。当一个开源模型在真实编程任务上与最好的闭源系统持平甚至更快，开发者在工具选择上的逻辑就会发生改变。

劳赫选择公开强调这一结果，并非偶然，他看到的，是开源AI的竞争力正在从"够用"变成"更优"的那个临界点。