Tencent ha lanzado WorkBuddy Bench, un conjunto de pruebas para evaluar agentes de programación basados en IA que abarca áreas como la ofimática digital y la seguridad informática; cuenta con 260 tareas diseñadas a partir de escenarios reales para evitar que los sistemas memoricen las respuestas. Claude Opus4.8 ocupa el primer lugar en la mayoría de las clasificaciones, mientras que GLM-5.2 y GPT-5.5 también lideran en algunas categorías específicas. Las pruebas se ejecutan en contenedores aislados con la búsqueda en internet desactivada.