Co-Design Bench 评测显示编码智能体近四分之三任务仍需人工收尾

Co-Design Bench 基于真实用户变更需求测试编码智能体，10 个模型中仅 GPT-6 Astra 能在 26.4% 的任务中完全正确完成。该模型平均满足约 70% 的要求，但在多模态任务和代码库任务中的完全解决率分别只有 41% 和略低于 18%；同一模型在不同 harness 中的得分也明显不同，作者建议同时报告模型与工作环境。