评测平台 Artificial Analysis 正式上线全新的 Search Index 搜索基准榜单。专门评估大模型在联网搜索插件辅助下的实时事实检索准确度、信息综合能力与引用来源可信度，为搜索型 Agent 提供客观选型依据。
7 大权威镜像天梯跑分与 29+ 款主流编程套餐横向比价测算
联动天梯榜跑分、独家套餐赠金与 IDE 定制规则
编码智能体（Coding Agents）正加速跨越纯虚拟软件世界，走向具身智能与物理世界真实机器人系统的落地研发。然而现有机器人基准大多仅测试单个静态策略（Policy）或控制器的数值表现，无法评测工程师在现实研发中所必需的异构软硬件构建、跨模态多传感器排错及闭环优化等全栈工程能力。哈佛大学、MIT、斯坦福等机构联合推出了首个机器人学习工程师资质考试基准 RLE-Bench。该基准覆盖交互控制、策略学习、感知估算与机械设计四大典型机器人工程工作流，要求智能体在算力与物理约束下自主构建训练管线、编排 Harness 并设计物理结构。通过综合 RLE 指数与多维能力雷达图，系统揭示了前沿智能体在具身软硬件工程中的真实战力与演进方向。
真实的软件研发远不止在文本编辑器中敲击代码：工程师必须频繁启动软件、与图形界面（GUI）交互、视觉观察组件渲染与动态反馈，以此推断故障根因并验证修复成效。然而长期以来，代码智能体（Coding Agents）与计算机使用智能体（Computer-Use Agents, CUA）被高度割裂在纯代码与纯操作两个极端孤岛中。由俄亥俄州立大学（OSU）、卡耐基梅隆大学（CMU）等机构联合推出的 CUA-SWE，是全球首个将计算机使用深度融入软件工程全生命周期的基准与评测环境。该基准涵盖四大核心工程领域，要求智能体在同一长程任务中交替修改源码/配置、执行终端指令、操控运行中的应用程序并审查视觉截图反馈，由确定性测试集保障软件行为合规，为多模态智能体演进提供了全新的统一试炼场。
针对既有编码基准（如 SWE-bench）仅局限于单一代码库、无法评估真实软件生态中跨多个关联仓库协同修改与联调能力的短板，浙江大学 ACES-ISE 团队推出首个跨仓库编码智能体评测基准 WideSWE。从 103 个真实开源软件生态中挖掘提炼 120 个复杂任务（60 个跨库 Bug 修复与 60 个跨库新特性），涵盖隐蔽回归测试用例。实测七大主流智能体配置，完整任务成功率最高仅为 42.50%，揭示多库协同开发中接口遗漏与联合测试断层的严峻瓶颈。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察