RecodeX 重构消息，阿里巴巴推出新的编程智能体基准测试Co-Design Bench，测试内容取自真实用户请求，且这些请求此前已让AI智能体在实际使用中出错。结果显示，表现最好的GPT-6 Astra也仅完整解决26.4%的任务，其余近四分之三的任务仍需人工清理。而在旧版基准测试中，同类模型的得分超过99%。