LMSYS Arena 发布编码智能体 harness 研究：对比 Claude Code、Codex CLI 与 Pi 等原生工具链对模型表现的影响。基于 21 组模型-harness 配对的严格评测，结论是 harness「税」远小于社区常见假设，模型本身仍占主导；详情见 Arena 博客。
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
Hugging Face 论文页披露《An Empirical Study of Harness Design for Coding Agents》：在固定执行循环下拆开规划、动作空间与上下文管理，用 4 个模型在 SWE-Bench Verified 与 Terminal-Bench 2.1 上跑 176 组对照。核心结论包括：上下文变紧时上下文管理价值上升（主要靠防止溢出失败）；规则省略再接 LLM 摘要效率最佳；规划对弱模型更像精度脚手架、对强模型收益变弱。
Specific Labs（@janaksunil）发布 Real-SWE：用真实公司私有、分布外生产代码库上的工程任务评测编码智能体（含 20 万+ 用户应用、金融对账、企业销售工具等）。公开榜单（8 次独立运行均值）显示 Claude Fable 5.1 + Claude Code 38.8%、GPT-6 Astra + Codex CLI 33.8%、Gemini 3.8 Flash + Gemini CLI 31.2%，领先者仍未达 40%。站点 realswe.withspecific.com。
机器人学前沿研究团队（Tom Silver, Matteo Merler 等，@huggingface）联合开源了《Coding Agents for Generalized Task and Motion Planning Problems》重磅研究成果（arXiv: 2609.30233，代码库: tomsilver/robocode）。针对传统机器人任务与运动规划（TAMP）严重依赖专家人工编写特定启发式规则、面对多物体动态场景极易发生计算爆炸的根本瓶颈，该研究首次让自主编码智能体（Claude Code Opus 5、Codex）与仿真环境交互，自动合成跨未知环境高度泛化的通用操作程序。在包含 98,000 轮评估周期的严苛测试中，Coding Agent 生成程序的成功率达到 56% 至 95%，彻底压倒传统专家规划器。
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