RExBench 基准：编程智能体研究扩展成功率仅33%

2026年10月26日，AGI Hunt 报道了一项名为 RExBench 的新基准研究：研究者用 12 篇真实论文的扩展任务来评测编程智能体，并基于 aider 和 OpenHands 两种框架实现 12 个 LLM 智能体进行测试。结果显示，这些智能体均无法自主完成大多数任务，表现最好的成功率约为 33%；即使额外加入人类手写提示，最好成绩仍低于 44%。该成果为 ACL 论文 benchmark，配有领域专家说明、抗数据污染设计与自动评测基础设施。研究结论是：当前编程智能体距离无需大量人类指导即可处理真实研究扩展任务仍有很大差距。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。