阿里等团队发布Co-Design Bench编码智能体基准

阿里巴巴与多所亚洲高校的研究者发布编码智能体基准 Co-Design Bench，用真实用户改动请求测试十款模型。表现最好的 GPT-6 Astra 平均满足约 70% 的需求，但仅 26.4% 的任务被完整做对。 该基准每个任务只评估一条固定请求，不包含用户追问或中途修正；研究团队称，负责评分的 AI 也可能出错。

AI 根据报道生成 · 53 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。