DRAFT-Bench 发布：评测前沿 Agent 在专业设计全流程中的可靠性

论文提出 DRAFT-Bench（Design Reliability Across Feedback and Tasks），覆盖需求澄清、创意探索、约束编辑、迭代修改和生产交付五个设计环节。测试对比了 Codex、Astra 和 Claude Code，使用 35 份设计简报、43 个条件，另有 40 个场景的 RFQ 独立赛道。Astra 完成 43/43 个设计条件，Claude 完成 35/43；在 28 个共同评分的核心条件中，语义检查对 Astra 标记 11 项违规、Claude 5 项。论文指出这些是模型判断而非专家确认的失败率，并强调执行能力、需求合规与专业验收需要分开评估。