事件专题 ·多源确认

新基准测试考察编程智能体长时程工程任务能力

一个新的编程智能体基准测试发布,评估智能体能否作为可靠的数字工程师完成长时程任务。通过标准覆盖五个环节:收集需求、与同事协作、编写代码、验证工作、汇报结果。当前榜单上 Opus 5.5 排名第一,GPT-6 Astra 紧随其后。 该测试与常见的单轮代码生成评测不同,重点在于多步骤、长时间跨度下的工程可靠性,要求智能体在整个工作流中自主推进并保证质量。这种设计更接近真实软件团队中工程师的日常工作方式。 对开发者而言,榜单提供了在复杂工程场景下选择模型的参考;对企业来说,能否胜任长时程任务直接影响智能体在真实研发流程中的落地价值。

当前结论

想看智能体除了刷 LeetCode 还能不能干真活,这个基准直接考核需求收集、协作、写码、自检全流程。目前 Opus 5.5 排第一,GPT-6 Astra 紧追。选模型做工程自动化的人可以看榜单再决定。

8 个信源36° AI 热度最后更新 2026/11/17 15:49:16

证据链

8 个信源

冲突核查

现有去重数据只说明这些来源讨论同一事件,不代表立场相同。当前没有结构化的支持或反驳证据,不自动推断冲突。