Hy3基准测评汇总：覆盖312项真实工作流任务

redblackshirt · reddit · 2026-07-07

一篇 Hy3 Benchmark 测评汇总，从 SWE-Bench Pro 延伸到 312 项真实世界工作流任务，对智能体的实际任务能力进行系统评估。