评测编码智能体，过去总在几块割裂的场子里打转——修 bug 的看 SWE-bench，做前端的看 Design2Code，生产环境的基准又多半关着门不让外人审计。腾讯这次把四块拼到一处，端出一个叫 WorkBuddy Bench 的多领域评测套件，论文已挂在 arXiv 上。它最较劲的地方不在于题多，而在于这些题从根上就防着"背答案"。

整套基准横跨四个工作领域:代码（仓库级软件工程）、网页(前端制品)、办公(多文件业务流程)和安全(红蓝队)。规模分别是80、70、50、60个任务，合计260道。关键点在于，每个任务都不是从某份公开题库里改来的，而是从真实的代码提交、拉取请求或业务场景里"逆向工程"出来，再改写成简短、口语化、带角色扮演味道的请求。这么做的好处是，任务的提示词没法靠上网搜到对应的 PR 或提交线索——你搜不到，自然就背不了。由于数据集是公开发布的(任务目录、环境镜像、评估工具、测试用例、参考方案全给)，它的抗污染靠的是这种构造方式加版本管理，而不是把题捂着。

四个子集共享同一套任务目录格式，但各自有独立的验证方式，分数因此不能在子集之间直接比，所以腾讯干脆不报套件平均分。代码类按隐藏测试通过率打分;网页类用规则检查加 LLM/VLM 评判再加智能体评判，且必须交付一条声明路径上的制品、不连实时互联网;办公类走确定性规则检查加基于证据的 LLM 评判，权重0.70到0.95之间偏向规则;安全类则干脆用确定性的 scoring.py 跑三次取平均，不用大模型当裁判。安全子集还布了五层反作弊——禁字面量扫描、重命名输入、覆盖篡改测试、编码依赖、低权重诱饵，红队38题、蓝队22题，白盒审计锚定 binutils、curl、nginx 等真实 CVE。

任务构建走的是统一流水线:来源收集、改写成真实请求、组装工作空间、回合后隔离评估资产、独立目录打包，全程不碰用户数据。代码任务给五种角色（开发者、算法工程师、产品经理、QA、运维），安全任务赋专业角色，而且刻意把信息写得不充分——不告诉你目标文件、模式或边界，智能体得自己把上下文找回来。评分资产在智能体跑完之后才引入，它全程看不见。

评测在隔离容器里跑，模型和沙箱分离，框架用 CodeBuddy Code（默认）和 Claude Code 两种，推理努力调高、上下文给到200k，并禁用 WebSearch 与 AskUserQuestion。这点很重要:关掉联网搜索，本就为了验证抗污染是不是真管用。

排行榜把多家模型族摆上了台面（分数0–100，思考模式，三次平均）。Claude Opus4.8在代码、网页、办公、安全多数榜首通吃，拿下五个第一;GLM-5.2在 security 两榜登顶，GPT-5.5则摘下 office cc 第一。框架的敏感性也不小——安全子集重排最狠，平均绝对变动达8.6个点;Claude Opus4.8在 cc 框架下拒答了13次，GPT-5.5在 cbc 下只拒2次。效率上，GPT-5.5输出 token 最少却分数不低，而 DeepSeek-V4-Pro 在代码上跑了44轮、出入 token 都高，显得更"费劲"。

这篇论文由腾讯多家实验室合力完成，署名的包括优图实验室（Youtu Lab）、科恩安全实验室(Keen Security Lab)、Workbuddy 团队与云鼎安全实验室(Yunding Security Lab)。团队也坦承局限:代码子集以 Python 为主、跨语言偏少;开源发布本身带来被爬取污染的风险，得靠版本管理缓解;评判器偏差尚未量化;办公类偏文本，暂无 OCR 与 GUI。近期计划是校准网页评分、扩充公开榜单。对一个想把"真实工作分布"搬进考场的评测来说，WorkBuddy Bench 已经把门敞得很开了。