推文

@fireandstart · 2026-10-13 03:57

这份榜单最有价值的地方，是把“能写出代码”与“维护者愿意合并”分开衡量。FrontierCode 让模型改真实开源仓库，再同时检查测试和改动质量：越界改文件、堆大块 diff、加无用测试也会扣分。它对应的是开发团队真正承担的返工成本，而不是只看单测是否变绿。数字也提醒我们别把榜首读成“软件工程已解决”：领先模型仍有超过四成尝试没通过阻塞检查，部分任务甚至没有任何模型成功；总分、成本与速度必须一起看。与此同时，任务是私有的、基准集规模有限，评分规则由维护者设定，能否代表不同语言、仓库规模和工作流，还需要外部复核。对团队选型来说，我会把它当作筛选线索，接着用自己的 issue、代码规范和 CI 复测，并检查代理是否遵守权限、只改相关文件、解释取舍。真正可用的编码代理，不只是一次跑赢榜单，而是持续交付可审查、可合并、出了问题能定位的改动。

曝光 26 · 评论 1 · 点赞 0 · 书签 0 · 曝光/时 1.6476689717186381