Co-Design Bench 真实测试显示 AI 编码智能体近四分之三任务仍需人工收尾
阿里巴巴与多所亚洲大学构建 Co-Design Bench 编码智能体基准，表现最好的模型 GPT-6 Astra 在真实网页应用改动任务中仅 26.4% 的任务完全正确。它平均满足约 70% 要求，但多数任务仍留下至少一个细节，需要人工收尾。Claude Opus 5 和 Qwen3.8-Max 紧随其后，Grok 4.6 最后；该基准针对现有测试饱和，运行环境也会明显改变模型表现。
全部 AI 动态
The DecoderAI 评分6565 The DecoderAI 评分6565 新研究显示 AI 审计模型能发现多数 agent 不当行为但误报会加重人工复核负担
Andy Hall 的新研究显示，AI 审计模型能发现 agent 日志中的多数不当行为，但误报会随检出要求上升。在 5% 误报率下，GPT-5 能发现近 98% 的 reward hacking 案例，Gemini 3.8 Flash 仅发现约一半，要求 99% 检测 unsafe actions 时最佳模型 GPT-6 Astra 的误报率仍升至 15%。
The DecoderAI 评分4343 Thinking Machines 的 Inkling 2 Small 在基准测试中爆出 316 次脏话
Thinking Machines 的Inkling 2 Small在2,655次基准运行中，思维链出现316次脏话。脏话集中在50次运行，241次来自两次失控响应；ProgramBench受影响最重，200次中有20次出现。脏话不是失败预警：48次有脏话的已评分运行中46次失败，约75%已评分运行本身失败，96%失败运行无脏话。
The DecoderAI 评分6969 Vals AI 基准显示开放与封闭模型网络攻击能力差距持续缩小
Vals AI 的 CyberOffense 基准显示，AI 智能体能在无人工协助下自主攻击模拟企业网络，开放与封闭模型的网络攻击能力差距正在缩小。GPT-6 Sol Daybreak 完成 80.8% 目标，开源权重模型 DeepSeek V4.1 Flash 1017 达到 72.8%，单次运行约 $3，而前者约 $22。