Mistral Vibe for Code vezeti a kódgeneráló ügynököket, megelőzve a Claude és az OpenAI modelljeit

Kategóriákban a legjobb

A Mistral Vibe for Code kiemelkedett a felület lefedettsége (5/5) és a költség/kontroll (5/5) kategóriákban. A modell Devstral 2 nevű, 123 milliárd paraméteres változata 256K kontextusablakkal rendelkezik, és a gyártó állítása szerint 72,2%-os pontosságot ér el a SWE-bench Verified teljesítményteszten, ami a nyílt forráskódú modellek között élvonalbeli teljesítménynek számít. A Devstral Small 2, egy kisebb, 24 milliárd paraméteres modell, 68%-os eredményt ért el.

A teszt metodológiája képesség-összehasonlítás volt, nem pedig egyetlen időzített futtatás. Az eredmények dokumentált funkciókon, publikált benchmarkokon és gyártói specifikációkon alapulnak. Fontos megjegyezni, hogy a különböző teljesítményteszt-számok (SWE-bench Verified, SWE-Bench Pro, Terminal-Bench) nem közvetlenül összehasonlíthatók. A költség-hatékonysági adatok a gyártók saját állításain alapulnak, és a termékek hetente frissülnek.

Kapcsolódó: Anthropic Claude Code frissítés

A többi modell teljesítménye

A Claude Code, amely alapértelmezetten a Claude Opus 4.8 modellt használja, 21 pontot szerzett. Kiemelkedő a tesztelési és pull request funkciói terén, de hiányoznak belőle a nyílt súlyok, az önálló hosztolás és az adatvédelmi garanciák, amelyekre a szabályozott iparágaknak szüksége van. Az OpenAI Codex is 21 pontot ért el, és bár széleskörű funkciókat kínál, beleértve a GPT-5.6 modellt, a 5 órás görgetőablakos használati korlát jelentős hátrány lehet nagy projektek esetén.

Kapcsolódó: Mistral AI matektesztek

A Cursor, amely az Anysphere AI kód szerkesztője, 16 ponttal végzett a negyedik helyen. Bár kiválóan teljesít az inline szerkesztésben és a fájl iterációban, az autonóm scaffold-test-PR ciklusban a terminál-központú és ügynök-központú eszközök strukturális előnyt élveznek. A Cursor fizetős csomagjai kredit-alapúak, a Hobby csomag ingyenes, míg az Ultra 200 dollárért érhető el.

Kapcsolódó: Mistral AI Vibe felhőben