Scale AI 代码库任务评测（问答/测试/重构 284 任务）
Scale AI 的编码代理基准套件，284 个任务分三赛道（问答 124 / 测试编写 90 / 重构 70），程序化检查 + rubric 评分，除功能正确外还评工程质量；前沿闭源模型最强，开源模型差距明显。
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
共收录 3 场模型发布（收录 4 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
StepFun / 阶跃星辰·国内
阶跃星辰发布的旗舰基座模型 Step 5 Preview，面向真实世界 Agentic 任务，在编程、软件工程、专业工作与金融方向上达到前沿水平。AA Intelligence Index 44 分；DeepSWE v1.1 67.7%、Terminal-Bench v2.1 85.0%、StepCodeBench 49.0%、FrontierFinance 66.4%、GDPval-AA v2 1571；模型将于 2026-10-15 正式开源。
Google DeepMind / Gemini·国际
本发布含 2 个变体，各变体规格见模型详情。
Google DeepMind Flash 阶梯新一代工作主力模型，针对长时程软件工程与智能体工具循环调优；在 Terminal-Bench 2.1 达到 90.8%、SWE-Bench Pro 61.6%、SWE-Atlas 51.9%，支持按任务自定义思维等级。
ByteDance Seed / 豆包·国内
本发布含 3 个变体，各变体规格见模型详情。
字节 Seed2.1 发布将 Pro 定位为系列最高档，官方称评估优先考察真实工作流表现而非静态榜单分数。已收录评测横跨通用 Agent、编码、多模态与视频理解：亮点 GDPval 87.9、OSWorld 78.8。
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。