編輯 | 云昭
出品 | 51CTO技術(shù)棧（微信號：blog51cto）
今年開年以來，AI編程賽道是徹底燃爆了，各種產(chǎn)品此起彼伏，讓人目不暇接。
想了想，收費的產(chǎn)品的都不在少數(shù)。
好巧不巧，小編幾天前發(fā)現(xiàn)了一款中國開源免費的 AI 編程助手，一度讓老外都為之種草。
先來讓他看一下令其“倒吸一口冷氣”的基準(zhǔn)測試成績：60.4%。在全球最硬核的代碼評測「SWE-bench Verified」上，做到了60.4% 解決率。（一般的數(shù)字也就是20~30%左右）
什么意思？
它不僅超過了 GPT-4、Claude Sonnet 這類收費模型，甚至甚至直接“暴打”了所有其他開源代碼助手，包括那些“宣傳很猛”的家伙。
圖片
開源地址:https://github.com/MoonshotAI/Kimi-Dev
打破開源紀錄
一位混跡AI圈多年的資深人員甚至將其稱為“改變游戲規(guī)則”的模型、“簡直讓自己睡不著覺！”
大多數(shù)AI編程工具，本質(zhì)上只是高級版的自動補全，要么寫錯代碼，要么給你制造更多麻煩。
科普一下，SWE-bench Verified 的難度有多難？
事實上，這是一個專為評估代碼大模型真實軟件工程能力而設(shè)計的高質(zhì)量基準(zhǔn)測試，它是由麻省理工學(xué)院（MIT）、微軟研究院等機構(gòu)的研究者提出。
SWE-bench Verified 測試是從原始 SWE-bench 數(shù)據(jù)集中篩選出的一個高可信度子集，其中每一道題目都經(jīng)過人工驗證，確保以下幾點：
- 問題（Issue）是明確且真實的： 來自 GitHub 上實際的開源項目問題；
- 代碼修復(fù)是確切的： 有明確的 PR（pull request）修復(fù)，并已被合并；
- 修復(fù)是可執(zhí)行驗證的： 提供測試用例，模型修復(fù)后能通過這些測試。
它是通過真實的開源項目中提取任務(wù)，考驗AI的代碼生成和修復(fù)能力，因此被視為目前最難的編程基準(zhǔn)測試之一。
簡單說，大部分模型在這個測試上表現(xiàn)都很慘——哪怕是每月幾百美元的收費模型也難以突破50%。
而這款免費的中國模型，輕松打破紀錄。Kimi-Dev-72B 在 SWE-bench Verified 上達到了 60.4% 的解決率。
這位資深人士透露：
之前最強的開源模型：SWE-bench Verified 測試成績約為 40%。而 Kimi-Dev-72B 的分數(shù)竟然達到了 60.4%，提升超過了 50% ，以 AI 的發(fā)展速度來說，這就像是從騎自行車一下?lián)Q成了開法拉利。
這還沒完，就連昂貴的閉源大模型表現(xiàn)也不及：
- Claude：約 50%
- GPT-4：約 55%
- Kimi-Dev：60.4%（而且免費?。?/li>
當(dāng)然，目前唯一能打敗它的，只有 Google 的 Gemini2.5 Pro 和 Anthropic 的 Claude Opus —— 但這兩個模型重度使用每月可能要花上好幾百美元。
所以說對于開發(fā)界而言，這款開源、沒有訂閱費、沒有使用上限、沒有鎖功能，性能還能如此能打的 KimiDev 實屬難得！
圖片
一個真實案例：兩分鐘 VS 四小時
分數(shù)這么高，實際使用如何呢？
這里小編有搜到一個用戶案例。
三天前，我遇到一個客戶緊急狀況。他們的電商網(wǎng)站結(jié)賬流程崩了——用戶可以加購，但無法付款，導(dǎo)致訂單流失、客戶投訴不斷。
我的開發(fā)者查了四個小時，100美元一小時，一共燒掉400刀，問題還是沒解決。
我一怒之下，把代碼扔給了 Kimi-Dev。
兩分鐘——沒錯，120秒內(nèi)，它就找到了問題：支付流程中存在競態(tài)條件（race condition）。不僅定位準(zhǔn)確，它還自動寫了完美的修復(fù)方案，并補上了防止復(fù)發(fā)的測試代碼。
兩分鐘對比四小時——不僅高效，更是徹底顛覆了“修Bug”的成本結(jié)構(gòu)。
與眾不同：它到底怎么做到的？
大多數(shù)AI編程工具，只是“猜下一個詞”的高級自動補全。你一停頓，它就亂猜一通，出錯后還得你手動去修。
Kimi-Dev 完全不同，它采用了一種“雙腦架構(gòu)”：
圖像
第一腦：偵探型大腦（定位）
它先完成“文件定位”工作。它不會像其他模型一樣亂改一通，而是先讀Bug報告、分析代碼結(jié)構(gòu)，搞清楚問題出在哪個文件、哪個函數(shù)、哪一行。
這一點很特別，其他模型往往是散彈式打鳥。
第二腦：外科手術(shù)大腦（修復(fù)）
定位好之后，第二個大腦負責(zé)實際修復(fù)。這部分才是神來之筆——它不只是修眼前的問題，而是考慮邊界條件、系統(tǒng)整體影響，并生成能直接上線的代碼。
兩個大腦協(xié)同工作：一個找問題，一個解決問題，還會互相校驗彼此的工作。就像你擁有一位高級工程師 + QA測試專家的組合。
為什么它訓(xùn)練得這么強？
此外，Kimi-Dev 還有一個黑魔法，即它的訓(xùn)練方式。
眾所周知，不少模型都是從網(wǎng)絡(luò)上搜集到的天南海北的代碼，質(zhì)量良莠不齊。
而 Kimi-Dev 這次走的是實戰(zhàn)派路線。它的訓(xùn)練方式是：
在Docker容器中用強化學(xué)習(xí)訓(xùn)練，讓它在真實環(huán)境中編寫和調(diào)試代碼。他們丟給它各種真實項目、真實Bug，只有在修復(fù)完全成功時才給予獎勵。
所以它每一次建議的修復(fù)方案，都已經(jīng)在數(shù)百萬次的實戰(zhàn)場景中被驗證過。你丟給它的Bug，它八成已經(jīng)見過類似的。
它是由 Moonshot AI 發(fā)布的一個大語言模型衍生版本，全名叫 Kimi-Dev-72B。
Reddit 熱帖一出，社區(qū)炸了：難道過擬合了？ 3090 顯卡上成功跑通
在 Reddit 上，關(guān)于 Kimi-Dev 的討論火得一塌糊涂。我們整理了三大核心情緒：
一類是驚訝：“它居然贏了 Qwen 3？”
“沒想到一個 finetune 模型，居然超越了 235B 的 Qwen3?！薄狜MidAirRunner
再一類是懷疑：“是不是過擬合 SWE-bench？”
“感覺只在特定基準(zhǔn)上表現(xiàn)好，日常應(yīng)用可能一般?！薄狜NewtMurky
當(dāng)然更多的還是真香黨：“能跑起來我就試，趕緊來 GGUF！”
不少人已經(jīng)上傳了 Q4_K、Q6_K 等量化版本，開始自己跑測試。有人甚至在雙 3090 顯卡上成功跑通，還放出了配置文件和推理速度。
也有用戶實測：在 Web 項目、SQL 查詢、API 生成任務(wù)上表現(xiàn)不錯。
不過有一個小缺點，則是：目前英文表現(xiàn)比中文穩(wěn)定，中文項目的兼容性還有待增強。
對企業(yè)意味著什么？
前面提到的那位網(wǎng)友，Nguyen 表示：我已經(jīng)在我的團隊全面部署它。
而且結(jié)果非?？鋸垼?/p>
- 修Bug效率提升10倍
- 代碼質(zhì)量更高
- 工程師不再被問題卡幾個小時
- 更重要的是：他們重新享受寫代碼的樂趣了
更關(guān)鍵的是：它徹底打破了收費軟件的技術(shù)壁壘。以前想用高質(zhì)量AI編碼助手，得砸錢買服務(wù)、請高級程序員。現(xiàn)在？一個創(chuàng)業(yè)者 + 一臺筆記本，就能做出同樣質(zhì)量的產(chǎn)品。
安裝方面，可以說非常簡單。只需要留足大約 50G 的空間。
- 從 GitHub 或 HuggingFace 下載模型，完全免費
- 可本地運行，代碼不會上傳到任何服務(wù)器
- 即使沒有高配電腦也能搞：用 Runpod 或 Vast.ai 按小時租GPU，一天不到5美元
另外多提一嘴，本地運行的模型的好處，對于企業(yè)而言非常重要，尤其對于做私有算法、敏感系統(tǒng)的公司來說，這一定是剛需。
提高效果的小技巧：描述的越清楚，效果越好
使用Kimi-Dev，就像跟高級程序員解釋問題一樣。你解釋得越清楚，修復(fù)效果越精準(zhǔn)。
所以，別說：“我代碼壞了?！?/p>
要說：“這個Python腳本讀取CSV文件并計算B列平均值時，在遇到空值單元格時報了KeyError異常。”
切記：只有提供足夠上下文，它就能像手術(shù)刀一樣精準(zhǔn)處理。
后記
就在小編寫完這篇文章不到 1 個小時，令人吃驚地是，另一款國產(chǎn) AI 產(chǎn)品刷新了這個分數(shù)。
在近期的 SWE-bench Verified 排行榜上，TRAE Agent 拿到了 75.2% 的求解率分數(shù)，而且也開源了。
圖片
