热点事件观察中
学者提出Doc2Harness长链路harness工程评测基准
1 篇报道1 个报道来源2 天前更新
先了解这件事
AI 综述
Doc2Harness论文作者提出一个两阶段基准，直接评测模型为编码智能体构建长链路harness的工程能力，覆盖19个前沿模型、328个测试用例。 结果显示GPT-6 Astra通过率最高，为53.05%，最弱模型仅27.44%。 即便最强模型仍有近一半用例失败，失败集中在跨模块功能的拆分方式上。
AI 根据报道生成 · 52 分钟前更新
最新进展10月14日 04:00
Doc2Harness：编码智能体长链路 harness 工程的 LLM 评测基准报道时间线
沿着报道，了解事件的不同侧面。
10月14日
- HF Daily Papers精选Doc2Harness：编码智能体长链路 harness 工程的 LLM 评测基准
Doc2Harness 提出一个两阶段基准，直接评测模型为编码智能体构建长链路 harness 的工程能力，覆盖 19 个前沿模型、328 个测试用例。GPT-6 Astra 取得最高通过率 53.05%，最弱模型为 27.44%；即便最强模型仍有近一半用例失败，失败集中在跨模块功能的拆分方式上。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。