重新审视生成式AI在初级面向对象编程评估中的表现：2026年洞察

该研究评估了ChatGPT-5.2、DeepSeek-V3、Gemini 2.5 Flash、Claude Sonnet 4.5和M365 Copilot在初级面向对象编程课程中的表现。所有系统均超过学生平均水平，在长任务上常获满分，但仍有编译失败及处理接口、抽象类、继承和图像解释问题的不足，整体较上年有进步。

相比往年，本年度主流GenAI在编程评估中的能力有了显著提升，但关键弱点依然存在。这为教育者和开发者提供了最新的能力基准，表明AI辅导或自动评分工具的潜力与边界，有助于调整教学和开发策略。

LLM通过大规模代码训练，能生成语法正确、逻辑合理的代码，但在需要抽象概念理解（如接口、抽象类）和图像处理的任务上表现不佳。模型在长任务上表现更好，可能因为上下文中有更多信息可供参考。

对教育科技产品，可考虑引入AI辅助编程教学，但需识别其弱点领域并加强训练或规则校验。对开发工具，可能用于代码生成和辅导，但需注意编译错误和高级概念处理能力不足，可能影响用户体验。

• 开发针对接口、抽象类和继承的专项训练数据集，提升模型在高级OOP概念上的表现。
• 在AI编程助手中增加编译检查功能，自动识别并提示非编译代码。
• 为图像类编程题设计多模态理解增强模块，或提供图形描述辅助输入。
• 基于模型弱点生成个性化练习，帮助学生针对薄弱环节进行训练。

• 不同模型在各类任务上的具体得分分布如何？
• 研究发现是否适用于其他编程语言或高级课程？
• 模型的改进是否随时间持续，还是存在平台期？
• 错误模式是否具有跨模型一致性，能否用于预测失败？