RecodeX 重构消息，复旦大学等机构研究者推出LoLBench评测基准，将代码Agent置于平均约240万行代码的大型软件系统中，考察其从功能提案到模块交付的完整长程任务能力。该基准覆盖29个系统、8种语言、5个领域的100项任务，结合新增功能测试与回归测试验证交付正确性。

对28种前沿Agent组合的实验显示，最高任务解决率仅14%，大量交互与Token消耗集中在代码定位环节，定位准确率低、覆盖不全。即便额外提供修改文件树与API实现规范，最佳组合解决率也仅提升至34%，仍有66%任务无法完成，暴露出易遗漏跨模块同步改动的关键断点。