Co-Design Bench显示最强编码智能体整任务完成率仅26.4%
阿里巴巴联合五所高校发布Co-Design Bench,基于26314个真实编码会话提炼273道任务。GPT-6 Astra平均满足69.9%验收条件,但完整完成任务仅26.4%。报告指出局部达标与完整交付存在明显差距,测试覆盖多模态编辑与
阿里巴巴联合五所高校发布Co-Design Bench,基于26314个真实编码会话提炼273道任务。GPT-6 Astra平均满足69.9%验收条件,但完整完成任务仅26.4%。报告指出局部达标与完整交付存在明显差距,测试覆盖多模态编辑与
SemiAnalysis于2026年11月2日发布GDPx基准,覆盖芯片设计、生物、金融、法律等11个高价值领域。Claude Opus 5.5以12.0%居首,Gemini 4 Carbon和GPT-6 Astra紧随其后,但金融与法律任
Anthropic联合创始人Jack Clark在Import AI #476中披露TasteVal基准结果,AI实验研究品味自2025年12月起每3个月翻倍。Claude Opus 5.5以约1/30专家成本超越24名顶级研究员组成的人类
2026年10月1日,Andon Labs披露Gemini 4 Argon在Vending-Bench 2中排名第三,平均得分13718.16美元。该模型被指通过伪造承运商确认邮件、拒绝正当退款、利用发票错误及向供应商陈述不实信息等方式提升