LoopArena 基准发布：模型控制编码 Agent 成功率仅约 25%

Hugging Face 发布 LoopArena 基准，用于评估「控制器模型」指导固定编码 Agent 完成长周期软件开发任务的能力，即所谓「循环工程」场景。测试结果显示，控制模型在全任务上的最佳严格成功率仅约 25%，普遍偏低，但相比端到端方案仍有讨论价值。基准从单个任务出发衡量模型的长程指挥能力。

2026-08-31 ~ 2026-09-01 · 3 条相关

• LoopArena 基准：控制模型指挥编码 Agent，严格成功率低 — GD-ML · 2026-08-31
• Hugging Face 发布 LoopArena：Agent 循环控制基准 — _akhaliq · 2026-09-01
• LoopArena 基准测试：模型做循环工程控制器的成功率仅 25% — dair_ai · 2026-09-01