The Decoder· Jonathan Kemper·· 1 天前AI 评分65
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
AI coding agents still need human cleanup on nearly three out of four tasks in a real-world test
AI 导读
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。
来源：The Decoder · the-decoder.com