标签
kw-bench 是一个基于真实调查型知识工作项目（例如跨代 SAP 系统的五年增值税数据重建）构建的新基准，通过确定性评分来评估编程智能体框架。评估发现，当实验室开发的框架使用非自家模型而失败时，OpenCode 和 micro-cc 等独立框架却能成功；而 Claude Opus 5.5 等前沿模型只需几分钟，就能完成较弱配置无法完成的任务。