搜索
Coding Agent写代码的能力越来越强，写测试的能力也在同步提升。从为函数补单元测试、为GitHub Issue编写复现用例，到为整个代码仓库构建回归测试，Codex、Claude Code等前沿Coding Agent已经能够浏览仓库、修改实现，并借助执行反馈不断修正测试。
BenchJack 之后，reward hacking 检测还缺什么？ Agent 在 benchmark 上拿到高分，未必真正完成了任务。它也可能利用评测或奖励机制中的漏洞，绕开题目要求来提高得分。
欧洲开发者 Mario Zechner 开发的极简 Coding Agent Harness Pi 只给模型一个 bash，却在多项 Benchmark 中击败 Claude Code 和 Codex，凭借极简设计和高可扩展性在 2025 年底爆火，团队来自维也纳而非硅谷。
在大模型在拼命刷 Benchmark 卷编程的时候，「不能说话」的 Jev 却意外成了 AI 圈的新顶流，究其原因，大模型应用的价值正在从「生成什么」，进一步延伸到「能否理解复杂信息，并据此做出可靠判断」。
2026 年 3 月，轨道数据中心公司 Starcloud 宣布完成 1.7 亿美元 A 轮融资，由 Benchmark 与 EQT Ventures 领投，估值达到 11 亿美元，累计融资额达到 2 亿美元。
近日，浙江大学 OmniAI 团队在 《Show, Don’t Tell: Evaluating Spatial Cognition in Generative Pixels Rather Than LLM Text》 中提出 ProVisE，让图像生成模型直接在图中回答空间问题，并将视觉答案还原为原 benchmark 可以评分的结构化预测。
你可能已经在各种 benchmark 榜单上看过 GUI Agent 的 "大胜" 了。
对 AI Coding 来说，有人用，比任何 Benchmark 都管用，而有人持续付费，又比有人用更管用。
今年开年以来，不管是硅谷、还是国内的 AI 投资圈子，都不太敢投 AI 应用了。
2026 年初，国内具身智能赛道掀起了一波开源潮，越来越多团队开始公开自己的视觉-语言-动作（VLA）模型、数据集与训练框架。与此同时，行业竞争也逐渐集中到 benchmark 成绩、任务成功率以及跨任务泛化能力上，尤其是在标准化或已训练任务中的表现。