Alibaba 发布 Co-Design Bench：最强模型也只能完整解决 26.4% 的任务

Alibaba 推出编程智能体基准 Co-Design Bench，测试集全部来自真实用户请求中曾让智能体失败的任务。表现最好的 GPT-6 Astra 完整解决率只有 26.4%，意味着约四分之三的任务仍需人工收尾。而同样的模型在旧基准上的成绩超过 99%，两套数字之间的落差暴露了现有评测与实际使用之间的差距。