在AI编码智能体评测领域，业界普遍采用分领域测试的方式：代码修复侧重SWE-bench，前端开发关注Design2Code，而生产环境基准往往闭门不对外公开审计。腾讯此次创新性地将四大领域整合为统一评测框架，推出名为WorkBuddy Bench的多领域评测套件，相关论文已发布在arXiv平台。该套件的核心亮点并非题量庞大，而是从根源上杜绝了模型“背答案”的可能性，确保评测结果真实可信。

整个基准测试横跨四个专业工作领域：代码（仓库级软件工程）、网页（前端制品生成）、办公（多文件业务流程）以及安全（红蓝队攻防对抗）。各领域任务数量分别为80、70、50、60个，总计260项任务。关键在于，每项任务并非从公开题库中直接改编，而是通过对真实代码提交、拉取请求或实际业务场景进行“逆向工程”构建，再改写为简洁、口语化且带有角色扮演色彩的请求指令。这种设计逻辑很简单：任务的提示词无法通过联网搜索找到对应的PR或提交记录——你搜不到，自然就无法“背题”。由于数据集已公开发布（包含任务目录、环境镜像、评估工具、测试用例及参考方案），其抗污染能力依赖这种独特的构造方式与版本管理机制，而非将数据封闭起来。

四个子集共享统一的任务目录格式，但各自采用独立的验证方法，因此分数无法在子集之间直接比较，腾讯索性不公布套件整体平均分。代码类依据隐藏测试通过率打分；网页类采用规则检查结合LLM/VLM评判及智能体评判，且必须交付声明路径上的制品，不允许连接实时互联网；办公类采用确定性规则检查与基于证据的LLM评判，权重在0.70到0.95之间偏向规则；安全类则直接使用确定性的scoring.py脚本运行三次取平均值，不依赖大模型作为裁判。安全子集还部署了五层反作弊机制：禁止字面量扫描、重命名输入、覆盖篡改测试、编码依赖检测、低权重诱饵设置，其中红队38题、蓝队22题，白盒审计锚定binutils、curl、nginx等真实CVE漏洞。

任务构建遵循统一流水线：来源收集、改写为真实请求、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。代码任务分配五种角色（开发者、算法工程师、产品经理、QA、运维），安全任务赋予专业角色，并且刻意设计信息不充分——不告知目标文件、模式或边界，智能体必须自行找回上下文。评分资产在智能体运行完成后才引入，智能体全程无法看到。

评测在隔离容器中执行，模型与沙箱分离，框架采用CodeBuddy Code（默认）和Claude Code两种，推理设置调高、上下文长度给到200k，并禁用WebSearch与AskUserQuestion功能。这一点至关重要：关闭联网搜索，正是为了验证抗污染机制是否真正有效。

排行榜展示了多家模型家族的表现（分数范围0–100，思考模式，三次取平均值）。Claude Opus4.8在代码、网页、办公、安全多个领域占据榜首，共拿下五个第一；GLM-5.2在安全类两榜登顶，GPT-5.5则摘得办公类cc榜第一。框架的敏感性也不容小觑——安全子集重排最显著，平均绝对变动达8.6个百分点；Claude Opus4.8在cc框架下拒答13次，GPT-5.5在cbc下仅拒答2次。效率方面，GPT-5.5输出token最少但分数不低，而DeepSeek-V4-Pro在代码任务上跑了44轮，出入token都高，显得更为“费力”。

这篇论文由腾讯多个实验室联合完成，署名包括优图实验室（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）。团队也坦诚承认局限性：代码子集以Python为主，跨语言覆盖偏少；开源发布本身存在被爬取污染的风险，需依赖版本管理缓解；评判器偏差尚未量化；办公类偏向文本处理，暂无OCR与GUI支持。近期计划包括校准网页评分、扩充公开榜单。对于一款旨在将“真实工作分布”搬进评测环境的套件而言，WorkBuddy Bench已经打开了广阔的大门。