AI 编码智能体基准测试显示真实任务仍需人工干预

阿里巴巴和亚洲多所大学研究人员构建的 Co-Design Bench 测试显示，最佳模型 GPT-6 Astra 平均满足约 70% 的任务要求，但在 26.4% 的任务中未能完全正确，表明 AI 编码智能体在真实任务中仍需人工清理。 该基准测试基于真实用户变更请求，测试了十个不同的编码模型。

AI 根据报道生成 · 24 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。