待验证70% 置信事实精确时间
ViBench 2.0 是一个针对长周期软件构建的基准测试，旨在评估智能体在无全局视野条件下从零构建完整产品的能力。
2
来源数
70%
置信度
长期有效
时效性
2026/11/4
首次发现
来源
涉及实体
相关事实
待验证在 ViBench 2.0 基准测试中，即便是最好的模型也只有49-65%的构建能通过所有检查。68% 相似待验证ViBench 2.0 将评估焦点从‘能否写出正确代码’转向‘能否构建出正确系统’。68% 相似待验证τ2-bench是专门评估大模型工具调用能力的基准测试，模拟真实世界中智能体需要处理的复杂多步工具调用场景66% 相似待验证该基准测试并非 SWE-bench 或 Terminal-Bench 风格的任务，而是对真实应用的长周期 agentic 构建，评分检查项由团队自己编写，可能带有盲区。64% 相似已验证模糊测试是一种通过向目标程序输入大量随机、异常或半结构化数据来触发潜在崩溃、内存越界或逻辑异常的自动化安全测试方法63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1136933API
curl https://kongchang.com/api/v1/knowledge/claims/1136933MCP
get_claim(id=1136933)