腾讯 WorkBuddy Bench 覆盖代码网页办公与安全评测 coding agent
tencent · hf · 2026-07-24
腾讯发布 WorkBuddy Bench：覆盖代码、网页、办公和安全的 coding agent 基准
腾讯推出了 WorkBuddy Bench，这是一个面向 coding agent 的多领域评测套件，覆盖四类工作场景：Code、Web、Office、Security。
这个基准最大的特点是强调污染抵抗：每个任务都不是直接搬运公开 issue 文本，而是从真实的 commit、pull request 或业务场景反向构造，再改写成简短、口语化的任务描述，避免通过搜索公开线程把题目“还原”出来。
它的开放内容包括：
- 任务目录
- 环境镜像
- 评测 harness
- 测试集
- 参考答案
文中还说明，不同子集采用不同评分方式，因此子集之间分数不可直接比较，也就不提供统一总分。报告同时给出了在 CodeBuddy Code 和 Claude Code 两个 harness 上跑出的跨模型 leaderboard。
「编程与Agent」频道最新
- Webcmd 认为浏览器智能体把 token 浪费在导航而不是任务本身 — heyshrutimishra · 2026-07-24
- AREX 提出内外双循环的递归自改进研究智能体 — _reachsumit · 2026-07-24
- 一个本地开源 Agent Skill 能标出多余的 diff 改动 — Saboo_Shubham_ · 2026-07-24
- 别给 Agent 暴露上千工具，改用代码沙箱 — edgestone22 · 2026-07-24
- “让 Claude 看代码库，基本等于开源” — _Stocko_ · 2026-07-24
- Roboto Agents 新增根因分析，直连机器人日志与源码 — Scobleizer · 2026-07-24