基准Gauntlet 7.2 / sb-7.2

Gauntlet

面向 agentic coding 的基准测试，要求模型在限定调用次数内从零构建可运行应用，并由自动化检查脚本逐项评分

时间轴 (近 90 天)

10月19日

Gauntlet（sb-7.2）基准让 goose 构建一个带两个服务和 3D 视图的小型支付应用，给模型 150 次调用机会，然后运行 99 项检查。

待验证50%

10月19日

Nemotron 3.5 Super VL 在 Gauntlet 上 99 项检查中 41 项完全通过，得分被限制在 0.599，因为其 3D 面板渲染成了空画布。

待验证50%

Gauntlet（sb-7.2）基准让 goose 构建一个带两个服务和 3D 视图的小型支付应用，给模型 150 次调用机会，然后运行 99 项检查。

Nemotron 3.5 Super VL 在 Gauntlet 上 99 项检查中 41 项完全通过，得分被限制在 0.599，因为其 3D 面板渲染成了空画布。