真实场景测试显示 AI 编码智能体仍需人工清理近四分之三任务

阿里巴巴及亚洲高校团队发布 Co-Design Bench，基于真实用户变更请求测试十款编码智能体。GPT-6 Astra 平均满足任务约七成需求，但完全正确的比例仅 26.4%。所有模型在处理包含布局、设计、交互和内容等多重变更类型时表现均下降；同一模型在不同运行环境中分数可相差近二十个百分点。