arXiv · cs.AI· Yuyao Ge, Shenghua Liu, Peizhong Gao, Chendi Ge, Chenxu Liu, Yiwei Wang, Lingrui Mei, Baolong Bi, Jiayu Yao, Jiafeng Guo, Xueqi Cheng·· 6 小时前
Doc2Harness：长时程编码代理Harness工程基准评测
Doc2Harness: Benchmarking LLMs on Long-Horizon Harness Engineering of Coding Agents
arXiv:2610.20344v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Yuyao Ge, Shenghua Liu, Peizhong Gao, Chendi Ge, Chenxu Liu, Yiwei Wang, Lingrui Mei, Baolong Bi, Jiayu Yao, Jiafeng Guo, Xueqi Cheng
研究任务与主要进展
Doc2Harness提出一个两阶段基准，用于直接评测大语言模型驱动编码代理的长时程Harness工程能力。19个前沿模型在328个测试案例上进行3次独立构建，GPT-6 Astra通过率最高，为53.05%，最弱模型为27.44%；失败主要集中于跨模块功能的拆分。该结果基于论文摘要，材料未提供完整实验细节。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org