CoArena（@coastyai，YC S26）发布 CUA KnowledgeBench（Real Company Work）：12 小时跨度、10 个私有真实任务 × 5 个种子、覆盖 100+ 应用，以工作产物通过/失败判定。其花费逾 5 万美元跑前沿模型；Claude Fable 5.1 在 50 次十二小时运行中解决 12 次（24%），GPT-6 Astra 勉强进入前三。下一步将投入逾 20 万美元扩展到 1/3/7 天跨度。
核心要点速览
- ✓新基准面向 12 小时真实公司知识工作的计算机使用（CUA）场景。
- ✓任务按工作产物通过/失败评分，覆盖 100+ 应用与多种子。
- ✓Fable 5.1 约 24% 通过；Astra 仅勉强进入前三；将扩展更长跨度。
⚡
一眼结论开发者 3 秒速决决策指标
🧭
把技术选型换算成你的开发预算
40 款主流编程套餐横向比价，支持输入/输出 Token 真实账单模拟
实战指南准备好将技术转化为生产力？
即刻查看该技术对应模型与主流工具的实测差异，或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
接着读Artificial Analysis 发布权威医疗基准 HealthBench 与 MLCR-AA：首曝长回复偏差（Verbosity Bias）对模型排名的严重失真
立即阅读→
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察