sudo L7 评测:Opus 5.5 与 GPT-6.1 写码打平,工程判断力差 23 分

echen · x · 2026-10-21

Surge AI 的 echen 分享 sudo L7 基准的关键发现:Opus 5.5 与 GPT-6.1 Sol 在功能正确性上几乎打平(82.1% vs 82.4%),但在「思维伙伴」维度——主动指出比用户要求更好的方案——Opus 以 76.1% 大幅领先 Sol 的 53.0%;在沟通表达(解释决策、权衡与局限)上也是 66.4% 对 49.4%。配图还显示 Sonnet 5.5 在沟通上(72.4%)同样超过两个 GPT-6 版本。作者的观点很尖锐:只看测试通过与否来评测编码 agent,就像「因为单元测试通过就晋升工程师」——staff 级工程师真正做的是质疑错误假设、提出更优方案、思考权衡,而 sudo L7 正是为衡量这些行为而设计的。