一句话看懂：腾讯发布了多领域编码智能体评测套件 WorkBuddy Bench，统一考核智能体在代码、网页、办公和安全四个真实工作场景下的能力，并专门设计了防「背答案」机制。这意味着一贯被分割评测的编码智能体，第一次有了跨域、可复现的公开考场。
事件核心：发生了什么
7月24日，腾讯在 arXiv 上公开了 WorkBuddy Bench 的论文与数据集。这套评测套件包含 260 个任务，覆盖四个工作域：代码（80个仓库级软件工程任务）、网页（70个前端界面任务）、办公（50个多文件业务流程任务）、安全（60个红蓝对抗任务）。与现有基准的最大区别在于，所有任务均非来自任何公开题库，而是从真实代码提交、Pull Request 或业务场景中反向工程改写为口语化、角色化的指令，确保无法通过联网搜索直接匹配答案。数据集的完整目录、环境镜像、评测工具和测试用例均对外开放。
为什么重要
以往的编码智能体评测高度碎片化——SWE-bench 只看代码修补，Design2Code 只管前端还原，生产环境评测大多不公开。WorkBuddy Bench 首次将这四个领域装入同一框架，并且从构造源头解决「数据污染」问题：不依赖隐藏题目，而是通过任务构造逻辑（逆向改写+版本控制）来防止模型记忆答案。这种设计对行业有两个直接影响。其一，评测结果更具可比性，排行榜上可以看出不同模型家族的分域强弱，例如Claude Opus 4.8 在四个子域拿下五个第一，但安全子域下的重排名现象最剧烈（平均绝对变化8.6分），说明不同框架对模型行为的影响不容忽视。其二，开放评测环境允许第三方复现验证，减少了「闭门评测」带来的可信度疑云。
对用户/开发者/创作者的影响
对开发者而言，WorkBuddy Bench 提供了一个可自行搭建的「能力对标场」。如果你正在选型编码智能体（如 CodeBuddy Code、Claude Code 等），可以通过这套工具在自己的工作场景下跑一遍，而非仅依赖厂商的单项榜单。评测框架要求任务内不给目标文件或边界信息，这意味着在实际采购或集成时，需关注智能体的上下文检索和自主环境适应能力。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对企业技术决策者，该基准透露出一个重要信号：编码智能体已从「单点补丁」迈向「全业务域协同」。四个子域的评分方式不同（代码看隐藏测试通过率，办公偏重规则校验，安全用确定性脚本等），但共用统一任务结构，这暗示未来企业级 AI 工具很可能需要同时处理代码库、办公文档和网络安全事件，而不是各自为政。
对 AI 模型研发团队，数据集的开放降低了做跨域评测的门槛。需要注意的是，评测中禁用了在线搜索和主动询问用户——这正是在测试智能体在「信息不全」环境下的真实推理能力。如果自家模型的测试表现随搜索开关显著波动，就说明数据污染防御仍存在漏洞。
值得关注的后续
第一，目前 WorkBuddy Bench 只发布了初步排行榜，且腾讯明确表示四个子域的分数不能直接求和，因此后续是否有统一加权的总分策略值得关注。第二，安全子域中使用了 5 层反作弊设计，并锚定了 binutils、curl、nginx 等真实 CVE 漏洞。如果其他研究机构能复现其中的安全评测结果，会极大增强该基准在安全圈的可信度。第三，腾讯是否会将这套评测工具集成到企业级产品中（如腾讯云上的智能体评估服务），目前公开信息显示尚未有明确计划，但数据集的开放已经为第三方独立评测创造了条件。
来源：AIbase
