アリババの新規コーディングエージェントベンチマーク「Co-Design Bench」は、実運用で既にAIエージェントを苦戦させた実際のユーザーリクエストを用いてテストを行う。最高性能を誇るGPT-6 Astraでさえ、完全な解決は26.4パー…
信頼性：確認待ち · 出典 The Decoder · イベント時間 11-08 17:50（北京時間）
実世界のテストでは、AIコーディングエージェントは依然として4分の3近くタスクで人間の修正を必要とする
アリババの新規コーディングエージェントベンチマーク「Co-Design Bench」は、実運用で既にAIエージェントを苦戦させた実際のユーザーリクエストを用いてテストを行う。最高性能を誇るGPT-6 Astraでさえ、完全な解決は26.4パー…