腾讯发布了WorkBuddy Bench,这是一套覆盖代码编写、办公应用及安全领域的多维度AI编程智能体评估工具,其中包含了从真实场景中反推而来的260项测试任务,旨在防止模型出现答案记忆现象。Claude Opus4.8在各项排名中均处于领先地位,而GLM-5.2与GPT-5.5也在部分特定类别中表现优异。该评估会在禁用网络搜索的隔离容器环境中进行。
评论 (0)
0/300





首页
