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
- 零基础学员经 AI 辅导也能跑通完整 CI/CD 流水线 — curious_vii · 2026-10-26
- Ruff 作者感叹:前沿模型能在任何软件里找到无穷多 bug — charliermarsh · 2026-10-26
- 开发者实测同一 skill 跨 Opus 5.5 与 Sol 6.1:指令遵循表现参差 — lucasmeijer · 2026-10-26
- 用小开源模型逆向工程游戏二进制:主 agent 中途重写子 agent 的 harness — yb2698 · 2026-10-26
- ContractSim：首个评估 LLM 自然语言合同谈判的框架 — xuanalogue · 2026-10-26
- OpenAI 计算机使用 agent 团队：速度已逼近超越人类专家 — a16z · 2026-10-26