热点事件观察中

阿里发布Co-Design Bench基准测试显示AI编程能力远低于旧基准

1 篇报道1 个报道来源2 天前更新

先了解这件事

AI 综述

阿里巴巴发布编码Agent基准测试Co-Design Bench，实测结果显示GPT-6 Astra仅能完全解决26.4%的真实编程任务。该结果与旧基准上模型得分超过99%形成巨大反差，凸显现实场景与实验室评估的差异。

一句话影响开发者：需警惕旧基准数据高估模型能力，在真实用户请求场景中应结合Co-Design Bench等新基准评估Agent可靠性。投资者：反映当前AI编程Agent在复杂真实任务中仍存在显著落地差距，行业技术成熟度评估需转向更贴近实战的指标。

AI 根据报道生成 · 2 天前更新

沿着报道，了解事件的不同侧面。

11月8日

17:50
The Decoder精选
阿里Co-Design Bench实测：GPT-6 Astra仅解决26.4%的真实编程任务
阿里巴巴发布编程智能体验证基准Co-Design Bench，测试AI对真实用户请求的处理能力。结果显示，即使是表现最好的GPT-6 Astra也仅能完全解决26.4%的任务，而在旧基准上这些模型得分超过99%，凸显了现实场景与实验室评估的巨大差异。

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。