LRU 缓存

这是一个 AI 大模型评测用例，下面将详细介绍测试内容和各模型的表现。

基本信息

  • 用例名称：LRU 缓存
  • 测试类型：文本生成
  • 评测维度：代码生成
  • 参与评测的模型数：201 个

系统提示词（System Prompt）

你是一名资深 Python 工程师，擅长数据结构与算法的教学和代码实现。 回答要求： 1. 使用 Python 标准语法，代码风格清晰、可读性强，添加必要的注释。 2. 实现完整的类结构，不得留有未实现的 pass 占位符。 3. 在代码之前或之后，用 2-4 句话简要说明你选择的数据结构及其原因。 4. 给出至少一组调用示例，展示 get 和 put 的基本使用效果。

用户提示词（User Prompt）

请用 Python 实现一个简单的 FIFO（先进先出）缓存类 `SimpleCache`。 **功能要求：** - `__init__(self, capacity: int)`：初始化缓存，`capacity` 为最大容量（正整数）。 - `get(self, key: int) -> int`：返回 `key` 对应的值；若 `key` 不存在，返回 `-1`。 - `put(self, key: int, value: int) -> None`：将键值对存入缓存。 - 若 `key` 已存在，则**更新**其对应的值（不改变该 key 的插入顺序）。 - 若缓存已满且 `key` 是新键，则**删除最早插入**的键值对，再插入新键值对。 **约束说明：** - 使用 Python 内置字典（`dict`）作为主要存储结构（Python 3.7+ 的字典保持插入顺序）。 - 不需要实现「访问即更新顺序」的 LRU 逻辑，仅按插入顺序淘汰。 - 无需考虑并发场景。 **接口模板：**

各模型评测结果

  1. 第 1：Google: Gemma 4 26B A4B ，得分 100.0 分 — 查看该模型的详细评测结果
  2. 第 2：OpenAI: gpt-oss-120b，得分 96.61 分 — 查看该模型的详细评测结果
  3. 第 3：OpenAI: GPT-5 Mini，得分 96.44 分 — 查看该模型的详细评测结果
  4. 第 4：mimo-v2-omni，得分 96.2 分 — 查看该模型的详细评测结果
  5. 第 5：qwen3.6-plus-preview，得分 96.2 分 — 查看该模型的详细评测结果
  6. 第 6：kimi-k2.5，得分 95.94 分 — 查看该模型的详细评测结果
  7. 第 7：OpenAI: gpt-oss-20b，得分 95.94 分 — 查看该模型的详细评测结果
  8. 第 8：OpenAI: GPT-5 Nano，得分 95.94 分 — 查看该模型的详细评测结果
  9. 第 9：Anthropic: Claude Haiku 4.5，得分 95.94 分 — 查看该模型的详细评测结果
  10. 第 10：xAI: Grok 4.1 Fast，得分 95.94 分 — 查看该模型的详细评测结果
  11. 第 11：GPT-5.2，得分 95.8 分 — 查看该模型的详细评测结果
  12. 第 12：kimi-k2-thinking-turbo，得分 95.44 分 — 查看该模型的详细评测结果
  13. 第 13：doubao-seed-1-6，得分 95.4 分 — 查看该模型的详细评测结果
  14. 第 14：OpenAI: GPT-5.4，得分 95.2 分 — 查看该模型的详细评测结果
  15. 第 15：MiniMax-M2.7，得分 95.0 分 — 查看该模型的详细评测结果
  16. 第 16：MiniMax-M2.1，得分 94.94 分 — 查看该模型的详细评测结果
  17. 第 17：glm-4.7，得分 94.94 分 — 查看该模型的详细评测结果
  18. 第 18：Anthropic: Claude Sonnet 4.6，得分 94.61 分 — 查看该模型的详细评测结果
  19. 第 19：qwen3-coder-plus，得分 94.3 分 — 查看该模型的详细评测结果
  20. 第 20：GLM-5.1，得分 94.2 分 — 查看该模型的详细评测结果
  21. 第 21：qwen3.5-plus-2026-02-15，得分 93.7 分 — 查看该模型的详细评测结果
  22. 第 22：Claude Opus 4.6，得分 93.7 分 — 查看该模型的详细评测结果
  23. 第 23：mimo-v2-flash，得分 93.12 分 — 查看该模型的详细评测结果
  24. 第 24：xAI: Grok 4.20 Beta，得分 93.0 分 — 查看该模型的详细评测结果
  25. 第 25：qwen3-14b，得分 92.8 分 — 查看该模型的详细评测结果
  26. 第 26：doubao-seed-1-6-flash，得分 92.7 分 — 查看该模型的详细评测结果
  27. 第 27：GLM-5v-turbo，得分 92.7 分 — 查看该模型的详细评测结果
  28. 第 28：qwen3.5-omni-flash，得分 92.7 分 — 查看该模型的详细评测结果
  29. 第 29：glm-5，得分 92.61 分 — 查看该模型的详细评测结果
  30. 第 30：doubao-seed-1-8，得分 92.3 分 — 查看该模型的详细评测结果
  31. 第 31：qwen3.5-flash，得分 92.3 分 — 查看该模型的详细评测结果
  32. 第 32：qwen3.5-35b-a3b，得分 92.2 分 — 查看该模型的详细评测结果
  33. 第 33：kimi-k2.6，得分 92.2 分 — 查看该模型的详细评测结果
  34. 第 34：doubao-seed-2-0-code，得分 92.0 分 — 查看该模型的详细评测结果
  35. 第 35：Google: Gemini 3.1 Pro Preview，得分 91.93 分 — 查看该模型的详细评测结果
  36. 第 36：qwen3-coder-next，得分 91.7 分 — 查看该模型的详细评测结果
  37. 第 37：Qwen: Qwen3.5-9B，得分 91.5 分 — 查看该模型的详细评测结果
  38. 第 38：qwen3-coder-flash，得分 91.3 分 — 查看该模型的详细评测结果
  39. 第 39：MiniMax-M2.5，得分 91.28 分 — 查看该模型的详细评测结果
  40. 第 40：mimo-v2-pro，得分 91.2 分 — 查看该模型的详细评测结果
  41. 第 41：deepseek-v3.2，得分 91.1 分 — 查看该模型的详细评测结果
  42. 第 42：Meituan: LongCat Flash Chat，得分 90.94 分 — 查看该模型的详细评测结果
  43. 第 43：doubao-seed-2-0-mini，得分 90.44 分 — 查看该模型的详细评测结果
  44. 第 44：Google: Gemini 3 Flash Preview，得分 90.04 分 — 查看该模型的详细评测结果
  45. 第 45：Grok 4，得分 89.7 分 — 查看该模型的详细评测结果
  46. 第 46：OpenAI: GPT-4o-mini，得分 89.15 分 — 查看该模型的详细评测结果
  47. 第 47：StepFun: Step 3.5 Flash，得分 87.8 分 — 查看该模型的详细评测结果
  48. 第 48：qwen3-235b-a22b，得分 87.4 分 — 查看该模型的详细评测结果
  49. 第 49：qwen3.5-27b，得分 87.0 分 — 查看该模型的详细评测结果
  50. 第 50：doubao-seed-2-0-pro，得分 86.82 分 — 查看该模型的详细评测结果
  51. 第 51：NVIDIA: Nemotron 3 Super (free)，得分 86.8 分 — 查看该模型的详细评测结果
  52. 第 52：qwen3.5-omni-plus，得分 86.5 分 — 查看该模型的详细评测结果
  53. 第 53：qwen3-8b，得分 84.8 分 — 查看该模型的详细评测结果
  54. 第 54：Claude Opus 4 7，得分 84.8 分 — 查看该模型的详细评测结果
  55. 第 55：doubao-seed-2-0-lite，得分 83.15 分 — 查看该模型的详细评测结果
  56. 第 56：glm-4.5-air，得分 82.92 分 — 查看该模型的详细评测结果
  57. 第 57：hunyuan-turbo，得分 82.88 分 — 查看该模型的详细评测结果
  58. 第 58：qwen3-max，得分 81.94 分 — 查看该模型的详细评测结果
  59. 第 59：hunyuan-large，得分 79.64 分 — 查看该模型的详细评测结果
  60. 第 60：Google: Gemma 4 31B，得分 78.8 分 — 查看该模型的详细评测结果
  61. 第 61：Elephant，得分 78.0 分 — 查看该模型的详细评测结果
  62. 第 62：hunyuan-pro，得分 74.36 分 — 查看该模型的详细评测结果
  63. 第 63：Mistral: Mistral Nemo，得分 74.15 分 — 查看该模型的详细评测结果
  64. 第 64：Meta: Llama 3.3 70B Instruct，得分 73.12 分 — 查看该模型的详细评测结果
  65. 第 65：qwen3-4b，得分 70.7 分 — 查看该模型的详细评测结果
  66. 第 66：qwen3-0.6b，得分 31.3 分 — 查看该模型的详细评测结果
  67. 第 67：Google: Gemini 2.5 Flash Lite，得分 0.48 分 — 查看该模型的详细评测结果
题目
模型排行
加载中…
模型评分
加载中…