阿里这个基准是的真扎心 😂 以前那些编程基准都快刷到 99 分了,结果换个真刀真枪的测法立马露出原型😂有273 个真实用户改代码的需求,最强 GPT-6 Astra 平均才能满足七成,全部做对的只有 26.4%,而Claude Opus 5、Qwen3.8-Max 跟在后头,最后是Grok 垫底,所以别再被 99 分骗了,最后一道还得人来收尾😂
阿里联合多所大学发布 Co-Design Bench,用 273 个真实用户改代码需求、2331 条隐藏验收标准测 10 个编程智能体:GPT-6 Astra 平均满足 69.9% 的标准、全部做对的只有 26.4%(题目特意挑的难啃的,是压力测试数而Claude Opus 5、Qwen3.8-Max 分列二三,最后是Grok 4.6 垫底;旧基准如 WebCompass-edit 已经被刷到 99% 以上,基本失效。还有个冷知识:同一个模型换个脚手架,分数能差近 20 个点😂榜单得连模型实战一起看,别再被“高分”骗了
the-decoder.com/ai-coding-ag…






