Co-Design Bench 实测编码智能体，最佳模型仍有近四分之三任务需要人工收尾

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

阿里巴巴与多所亚洲高校构建 Co-Design Bench，测试的十个模型中，表现最佳的 GPT-6 Astra 仅完整完成 26.4% 的任务。该模型平均满足约 70% 的需求，测试要求智能体根据真实用户请求修改现有网页应用，并由两名 AI 裁判检查功能是否实际可用。任务混合多种修改类型时所有模型表现均下降，同一模型在不同执行环境中的表现也有明显差异，研究团队建议同时报告模型与执行环境。