Replit 发布 ViBench 2.0 基准，评测长周期软件构建
原文标题：ViBench 2.0: A Benchmark for Long-Horizon Software Building
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
Replit 推出 ViBench 2.0，用于评估智能体长周期构建完整软件产品的能力，包含 17 个全栈 Web 产品与 241 个功能请求，由浏览器智能体执行 544 个测试计划。评测九个模型发现可靠性缺口：最强三个模型通过最多 98% 测试计划，但最多仅 65% 的构建产出完整可用产品，开源权重模型无一成功。论文同时开源 8 个产品及评测工具。
- 问题
- 现有编码基准只测单一完整任务且接近饱和，无法衡量长周期建完整产品的能力。
- 方法
- 用 17 个全栈 Web 产品、241 个功能请求和浏览器智能体执行的 544 个测试计划，只在产品完成后按用户视角判定。
- 结果
- 最强三个模型通过最多 98% 测试计划，但最多仅 65% 的构建产出完整可用产品；开源权重模型无一成功；某模型家族三次发布 pass@1 从 3% 升至 53%。
- 影响
- 选型时别只看单任务通过率，长周期产品级可靠性才是真实差距，且该基准开源可复现。
机构：Replit
深读 · 结论先行AI 生成展开看要点与影响 ↓
Replit 的 ViBench 2.0 显示：最强三模型通过最多 98% 测试计划，但最多仅 65% 的构建产出完整可用产品。
- •基准含 17 个全栈 Web 产品、241 个功能请求，由浏览器智能体执行 544 个测试计划。
- •构建须全部测试计划通过才算通过，按用户视角在完成后评判。
- •评测九个模型：最强三个通过最多 98% 测试计划，完整可用产品最多 65%。
- •开源权重模型无一产出完整可用产品。
- •同一模型家族三次发布中，公开产品 pass@1 从 3% 升至 53%，单次构建成本降一半以上。
为什么重要：揭示长周期软件构建中「测试通过」与「产品可用」之间的可靠性缺口，是选型与评估编码智能体的关键指标。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。