Code Arena

Code Arena是大模型編碼評估系統，由LMArena發布。該系統在架構上對代碼性能表現、互動自然度和設計意圖忠實程度進行動態評估，測量編碼的動態過程，旨在反映模型在開發條件下的思考、規劃與構建過程。

Code Arena是LMArena在2025年11月推出的專注於編程任務的專項模組，採用實時用戶投票結合自動化評估。在發布初期的榜單中，智譜GLM-4.6與Claude、GPT-5並列排名第一。2026年4月3日，Code Arena公布新一期排名，阿里巴巴Qwen 3.6-Plus位列全球榜單第二。

基本介紹

• 外文名：Code Arena
• 發布方：LMArena

研發背景

傳統代碼生成評測如HumanEval或LeetCode存在局限性，為彌合模型生成回響與人類偏好之間的差距，需要研發新的評估系統。CodeArena由阿里巴巴集團、中科院深圳先進技術研究院、中科院大學以及上海交通大學等機構於2024年12月聯合研究並提出，它是LMArena（前身為LMSYSChatbotArena）社區驅動基準測試平台的專項模組。相比於舊時代的WebDev Arena編碼榜單，Code Arena從底層重構而成，評估維度更全面。該基準包含來自真實用戶查詢的397個高質量問題，涵蓋7個大類、40個子類及44種程式語言，旨在覆蓋廣泛的互動場景。其評估採用結合實時用戶投票（人類偏好）與自動化評估的方法，測試模型在多步互動中的穩定性。

發展歷程

2024年12月，阿里巴巴、中國科學院深圳先進技術研究院等機構聯合在arXiv預印本平台發布論文，提出了名為“CodeArena”的基準測試集以及配套的“SynCode-Instruct”合成指令數據集。該研究旨在構建一個套用場景廣泛、程式語言全面的評測基準，通過“人類偏好對齊”的方式，評估代碼大模型生成內容是否符合人類實際需求。

2025年11月，LMArena發布了新一代大模型編碼評估系統Code Arena。相比於之前的WebDev Arena編碼榜單，Code Arena進行了重構，其評估維度不僅包括代碼能否運行，還涉及性能表現、互動自然度以及對設計意圖的忠實程度。該系統旨在測量“代碼的動態過程”，即捕捉模型在真實開發條件下進行思考、規劃與構建的過程。其評估方式並非靜態基準測試，而是基於真實開發環境進行的實際評估。

2026年4月3日，Code Arena公布新一期全球大模型編程能力排名。在榜單中，阿里巴巴的Qwen 3.6-Plus模型以1452分位列第二，OpenAI的GPT-5.0-High與Google的Gemini 3.1 Pro Preview等模型也位列前列。

核心技術

LMArena發布了一款新的大模型編碼評估系統Code Arena，該系統從底層重構而成。

評估理念與維度

Code Arena系統評估代碼時，不僅關注其是否能運行，也評估其性能表現、互動自然度以及對設計意圖的忠實程度。該系統旨在測量代碼的動態過程，捕捉模型在開發條件下的思考、規劃與構建過程。其技術棧基於Together AI、Sandpack、Next.js、TypeScript等技術構建。

評測機制與基準

Code Arena採用“人類偏好對齊”的評測方式，在評測過程中會比較不同模型生成的回答，通過LLM或真實用戶投票判斷其符合人類用戶需求與偏好的程度。其基準測試集包含來自真實用戶查詢的7個大類、40個子類共397個問題，旨在覆蓋與CodeLLMs互動時涉及的情景。該基準總計涵蓋44種程式語言與2種自然語言。

運營模式

Code Arena是一個主要面向開發者的線上對比評測平台。其核心功能是允許用戶輸入提示詞，並排對比多個主流AI編碼模型在生成多檔案套用或網站代碼上的輸出結果，並支持將代碼導出至GitHub或本地IDE。該平台旨在應對多檔案項目場景下AI編碼工具可能存在的挑戰。採用免費模式有助於其初期獲取用戶。

重要事件

2025年11月，LMArena發布了新世代大模型編碼評估系統“Code Arena”，標誌著編程大模型評估標準的重大進化。在該榜單的首期排名中，國產大模型智譜GLM-4.6與Claude、GPT-5等頂級模型並列首位。

2026年4月3日，Code Arena公布新一期排名，阿里巴巴最新一代大語言模型Qwen 3.6-Plus以1452分位列全球第二、中國第一，超越OpenAIGPT-5.0-High和GoogleGemini 3.1 Pro Preview。