基准
ProgramBench
用于评估编程智能体从零构建完整程序能力的基准测试，支持C、C++、Go、Rust等系统级编程语言的程序生成任务评估
时间轴 (近 90 天)
10月12日
在Meta自己公布的14项基准测试中，Muse Wonder赢了5项，主要集中在长周期编码、法律agent任务和Meta内部记忆测试；输掉了9项，包括ProgramBench（Opus以70.5对50.0领先）。
待验证50%
10月12日
使用 Program-Env 构建环境产生的轨迹进行微调后，Qwen3.8-27B 模型性能从 34.87% 提升至 42.84%
待验证50%
10月12日
Program-Agent 将基础模型和经过监督微调的模型分别推高到 55.71% 和 56.25%
待验证50%
10月12日
ProgramGym 的效果在 ProgramBench 基准上得到了验证
待验证50%