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 Co-Design Bench 编码智能体基准，测试任务取自真实用户改动请求，并支持图像、音频、视频和文档输入。十个被测模型中表现最好的 GPT-6 Astra 平均满足约 70% 的任务要求，但仅 26.4% 的任务完全正确；在旧基准 WebCompass-edit 上接近满分的模型，在该基准上差距超过 35 个百分点。 该基准每个任务只评估一次固定请求，不包含用户追问或中途修正；研究团队称，评审所用的 AI 也可能出错。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。