阿里等团队发布Co-Design Bench：最佳模型仅26.4%任务完全正确

阿里巴巴联合亚洲多所大学的研究者基于真实用户的改动请求，发布了编码智能体基准 Co-Design Bench，评测十个模型改写现有 Web 应用的能力。结果显示最佳模型 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，其后是 Claude Opus 5 和 Qwen3.8-Max，Grok 4.6 垫底。 该基准的特点是：只有真正在应用中可用的功能才能得分，且每个任务只评测一条固定的用户请求，不含追问或中途纠错；部分任务的输入还包含图片、音频、视频或文档。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。

AI 根据报道生成 · 37 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。