论文页面 - 腾讯WorkBuddy Bench：一个多领域编码代理基准测试，采用抗污染任务构建

来源：https://huggingface.co/papers/2607.20911 作者：

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

摘要

我们推出了腾讯WorkBuddy Bench，这是一个面向编码代理的多领域评估套件；本报告记录了其构建方法、评分协议以及跨模型排行榜。其核心是一个统一的评估框架，用于构建和运行分布感知的编码代理任务，涵盖四个工作领域——代码、Web、办公和安全。该套件不采用公开的问题文本，而是通过逆向工程从真实的提交、拉取请求或业务场景中提取每一项任务，并将其重写为简短的、口语化的、角色扮演式的请求，使得任务的提示无法通过搜索底层问题、拉取请求或评论线索的网页来复原。由于数据集是公开发布的——包括任务目录、环境镜像、评估工具、测试和参考解——其抗污染能力依赖于这种构建方式以及数据集版本管理，而非保密性。四个子集——仓库级工程、前端开发、办公与业务工作流，以及红/蓝队安全——分别对应实际工作的不同侧面，各有其独特的验证风格。所有子集都打包成统一的任务目录格式，并按照统一且可复现的协议，在两个代理框架（CodeBuddy Code和Claude Code）上运行；完整的公开发布使该基准测试端到端可复现且可直接审计，因为任何第三方都可以重新运行每个任务并检查其内容。由于每个子集使用不同的评分工具，各子集之间的分数不可比较，因此该套件不报告全套件平均分。我们报告了跨多个模型家族的跨模型排行榜。

查看arXiv页面（https://arxiv.org/abs/2607.20911）查看PDF（https://arxiv.org/pdf/2607.20911）项目页面（https://workbuddybench.com/index.html）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2607.20911）

在你的代理中获取这篇论文：

hf papers read 2607.20911

没有最新的CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

无模型与本论文关联

在模型README.md中引用arxiv.org/abs/2607.20911，以便将其链接到此页面。

引用此论文的数据集0

无数据集与本论文关联

在数据集README.md中引用arxiv.org/abs/2607.20911，以便将其链接到此页面。

引用此论文的Space0

无Space与本论文关联

在Space README.md中引用arxiv.org/abs/2607.20911，以便将其链接到此页面。

包含此论文的收藏集0

无收藏集包含此论文

将此论文添加到一个收藏集（https://huggingface.co/new-collection）中，以便将其链接到此页面。