MirrorCode基准测试：AI模型连续编程19天耗资2600美元，Claude Opus 4.7领先

一句话看懂

Epoch AI发布MirrorCode基准测试，要求AI模型仅凭描述重建完整程序，Claude Opus 4.7以56%解决率领先，但最复杂任务无一成功。

详细发生了什么

Epoch AI推出了名为MirrorCode的新基准测试，旨在评估AI模型能否在不访问原始代码的情况下，仅根据任务描述重建完整的软件程序。测试包含一系列编程挑战，从简单的函数到复杂的多文件项目。

结果显示，Anthropic的Claude Opus 4.7表现最佳，解决率达56%，并在14小时内成功重建了一个包含16,000行代码的工具包。相比之下，其他模型如GPT-5和Gemini Ultra 2的解决率分别为48%和42%。

然而，所有模型在最复杂的任务上均告失败。其中一个任务要求重建一个大型开源项目，一个模型连续运行了19天，消耗了$2,600的计算成本，仍未完成。这表明当前AI在理解整体架构和长期规划方面仍有显著局限。

MirrorCode的设计理念是模拟真实世界的逆向工程场景——开发者经常需要理解并复现没有文档的遗留代码。Epoch AI计划将基准测试开源，以推动该领域的研究。

中文圈视角

对中文开发者而言，MirrorCode基准测试直接关系到日常工作中的代码复用和重构场景。目前国内主流模型如DeepSeek-Coder、Qwen2.5-Coder在类似任务上的表现尚未公开，但考虑到它们在HumanEval等标准测试中的成绩，预计与GPT-5水平相当。

一个关键差异是成本：$2,600运行19天的案例凸显了复杂代码生成的高昂开销。国内用户使用API时，需注意token消耗和预算控制。此外，MirrorCode任务需要大量context window（上下文窗口），目前国产模型如Kimi的128K context已能覆盖大部分场景，但更长的持续推理能力仍是短板。

监管方面，MirrorCode涉及代码逆向生成，可能触及知识产权边界。国内开发者在使用AI重建开源代码时，需注意许可证合规性，避免侵权风险。

几条值得记住的细节

Claude Opus 4.7在MirrorCode上解决率56%，14小时重建16,000行代码的工具包。
最复杂任务耗时19天、花费$2,600，但模型仍未完成。
GPT-5和Gemini Ultra 2的解决率分别为48%和42%。
MirrorCode基准测试将开源，供社区复现和扩展。
所有模型在需要长期规划和架构理解的任务上表现不佳。

一句话总结

MirrorCode揭示了AI编程能力的真实上限：简单任务已可胜任，但复杂项目仍需人类主导。