AI 编程实时动态与要闻

学术界与产业界联合发布 Android Bench 2.0 评测基准。随着 Coding Agent 轻松突破简单单元测试与单函数修复，新版本全面引入需耗时数天才能完成的「长程任务（Long-Horizon Tasks, LHT）」，重点考察智能体从零搭建完整 App、多模块大版本依赖平滑升级以及跨端联调的架构鲁棒性。

Epoch AI 推出 Benchmark Reviews 计划，对 AI 基准测试本身进行质量审计。首批 15 个基准中，4 个被判定为 Verified、9 个为 Flawed、2 个因信息不足无法评审，帮助开发者更谨慎地解读模型与智能体排行榜。

非营利研究机构 Epoch AI 对 GPT-5.6 Sol 开展了《杀戮尖塔》全角色深度测试。Sol 能在 4 个角色上以不到 10 次阵亡通关低进阶（A4–A9），视觉点击与操作无碍，但因大局规划与战术失误导致高进阶（A20）胜率仍远逊人类专家。