真实场景测试：AI编程智能体近四分之三任务需人工返工

阿里巴巴推出新编程智能体基准 Co-Design Bench，基于真实用户曾遇挫的请求进行测试。表现最好的 GPT-6 Astra 仅完整解决 26.4% 的任务，而同一批模型在旧基准上得分超过 99%，显示真实场景与基准成绩差距巨大。

• Nous Research微调剥离Qwen模型政治倾向2026-11-07
• 九款AI智能体挑战美国国家实验室开放课题均未达标2026-11-07
• NousResearch发布基于Qwen微调的Arete-27B模型2026-11-06
• 阿里被曝悄然发布Qwen 42026-11-06
• Moonshot开放权重模型在金融研究基准上超越OpenAI2026-11-06