真实测试显示：AI 编程 Agent 近四分之三任务仍需人工收尾
2026-11-08
阿里与多所亚洲高校用真实用户的改需求搭建 Co-Design Bench，十款模型里最强的 GPT-6 Astra 平均只满足约 70% 的需求，完全做对的任务仅 26.4%。研究还发现，同一模型换一套运行环境（harness）分数会大幅波动，只列模型的排行榜说明不了全部问题。2026-11-08
阿里与多所亚洲高校用真实用户的改需求搭建 Co-Design Bench，十款模型里最强的 GPT-6 Astra 平均只满足约 70% 的需求，完全做对的任务仅 26.4%。研究还发现，同一模型换一套运行环境（harness）分数会大幅波动，只列模型的排行榜说明不了全部问题。