模型多源确认

新基准测试考察编程智能体长时程工程任务能力

精选理由

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。

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。

正文

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。

原文 · Ate-a-Pi

New benchmark for coding agents.

This evaluates whether agents can be dependable digital engineers on long-horizon tasks.

To pass, agents must:

• Gather requirements • Coordinate with colleagues • Write the code • Verify their work • Report their results

The leaderboard currently has Opus 5.5 at the top, with GPT-6 Astra a close second.

产业坐标与信源核验

本条情报归属 AITOP「模型」核心栏目,重点聚焦北美前沿实验室与硅谷科技巨头。在跨区域产业观察坐标中,该动态直接关联「AI 开发者工具链、Coding Agent 与工程化实践」「中美大模型技术代差与商业化对照」研究主线,反映出当前技术演进与商业落地的最新风向。涉及核心实体与技术议题包括:编程智能体、Opus 5.5、GPT-6、基准测试,读者可通过下方标签进入对应专题页查阅历史脉络与关联对比。

信源核验说明:本文原始线索采编自「Ate-a-Pi」(@svpino),经 AITOP 多维评分管线结构化提炼。截至目前,全网已有 7 家独立信源对该事件进行交叉印证与跟进报道(含 arXiv cs.AI、Greg Brockman、IT之家 等),属于近期高关注度行业信号。