The Decoder· Jonathan Kemper·· 1 小时前
真实世界测试显示：AI 编程智能体近四分之三任务仍需人工清理——Co-Design Bench 揭示
AI coding agents still need human cleanup on nearly three out of four tasks in a real-world test
AI 导读
Alibaba 与多所亚洲大学的研究者基于真实用户改动请求构建了编程智能体基准 Co-Design Bench。十个受测模型中最佳的 GPT-6 Astra 平均只满足约 70% 的任务需求，仅 26.4% 的任务完全正确，其次为 Claude Opus 5 和 Qwen3.8-Max，Grok 4.6 垫底。测试还发现模型表现受运行环境（harness）影响显著，作者建议模型与环境需搭配评测。
来源：The Decoder · the-decoder.com