真实改需求时，最强编码智能体只做对 26.4%：阿里 Co-Design Bench 显示 harness 对结果的影响不亚于模型

为什么重要：旧基准上 99% 以上的分数已经测不出差别，这个基准把问题拉回到用户真正的体验：智能体能完成大部分工作，但几乎总要人收尾。harness 影响 19 个百分点这一发现，对企业选型的含义很直接：只看模型排行榜会选错，必须把模型和运行环境作为一对来测。反方检验：题目偏向历史上失败过的请求，不代表日常成功率；只测单轮请求，不含追问与中途修正；AI 评委本身可能出错。我的立场是：编码智能体的下一阶段竞争会落在 harness 与评测上，谁能公开「模型 + 环境」的组合成绩，谁才有资格谈生产力提升。

• arXiv：Co-Design Bench: Multimodal Collaborative Coding Evaluation for Agentic Models 已证实
• The Decoder：AI coding agents still need human cleanup on nearly three out of four tasks 媒体报道

本页是事件档案；当日判断见 2026-11-10 简报。