# 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
- 事件 ID：evt-20261110-06
- 日期：2026-11-10　截至：2026-11-10 08:16（北京时间）
- 证据等级：已证实、媒体报道
- 来自：https://www.newtoken.link/daily/2026-11-10#evt-20261110-06
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。
## 来源（2 条）
- [arXiv：Co-Design Bench: Multimodal Collaborative Coding Evaluation for Agentic Models](https://arxiv.org/html/2610.35138)（已证实）
- [The Decoder：AI coding agents still need human cleanup on nearly three out of four tasks](https://the-decoder.com/ai-coding-agents-still-need-human-cleanup-on-nearly-three-out-of-four-tasks-in-a-real-world-test/)（媒体报道）