研究：Co-Design Bench 测试中 AI 编程智能体仅完全完成 26.4% 任务

阿里巴巴与多所亚洲高校研究人员提出编程智能体基准 Co-Design Bench，基于真实用户变更请求，覆盖多模态输入和现有 Web 应用改造。论文称，测试的十个模型中 GPT-6 Astra 表现最好，平均满足约 70% 任务要求，但仅 26.4% 任务完全正确；Claude Opus 5、Qwen3.8-Max 随后，Grok 4.6 垫底。

信源原题：AI coding agents still need human cleanup on nearly three out of four tasks in a real-world test

阅读来源原文 ↗