@agenticgirl 介绍 aitofound/ScienceIDE：针对「编译通过但物理仍错」的编码智能体评测。任务在钉扎科学代码库中编辑源码，验证器重编译、重跑算例并检查数值与物理不变量；库存含 64 环境 / 27 代码库、2812 任务与 1076 可执行科学检查，硬集覆盖 PLUTO、Athena++、MITgcm 等。抓取时约 70 星。
一键应用到您的开发环境与预算测算
@Brjen 团队在一块 RTX 3090（24GB）上花一周对比本地编码智能体配置，胜出组合为 Qwen3.8-27B Unsloth UD-Q4_K_XL + llama.cpp（65k 上下文、q8 KV、原生 MTP depth 2、全 GPU）。真实多步编码跑分约 59 tok/s（45k 上下文时约 46 tok/s），并通过嵌套工具 JSON、修失败测试与正确 unified diff 等门槛；认为 Q3 不可靠、更高量化挤占上下文，Flash-Next 需卸载反而不稳。
Vals 今日发布 Vibe Code Bench 1-100（VCB 1-100）：在已通过的完整 Web 应用上，要求模型按依赖顺序完成多轮产品改动，且不能破坏既有行为；首个未完成迭代即终止。官方榜单显示 Claude Opus 5 以 28.53% 领先，Claude Fable 5.1 28.00%、GPT-6 Astra 27.64% 紧随其后。相对只评「从零做出能跑版本」的基准，该套题更贴近真实持续演进的 vibe coding / 编程智能体工作负载。
Cognition 宣布 GPT-6 Astra 即将接入自主工程师 Devin。在 FrontierCode 1.1 上，Astra 与 Fable 5 分差仅 0.4，成本低约 64%；并在其内部测试基准上刷新 SOTA，生成更全面的测试、更清晰的报告与更好的视频证据。
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