给你一份FFmpeg的使用文档，和一个编译好的可执行文件。
现在，从零把整个程序重新写出来。
这就是ProgramBench给全球顶级AI出的题。
昨天刚发布，出自SWE-Bench原班人马之手，Meta、斯坦福、哈佛三家联手打造。
200个软件项目。9个顶级模型。通过率，0%！
共同一作John Yang，斯坦福在读博士，同时也是SWE-Bench和SWE-agent的创建者
过去一年，「让AI Agent从零造软件」的案例报道越来越多。
Anthropic用一组平行Claude写了个C编译器，Cursor发博客讲长时间自主编程，Epoch AI的MirrorCode也在做类似的事。
但这些案例有个共同问题，每次只测几个项目，脚手架都是手工调优的。
相比之下，ProgramBench把这件事正规化了。
200个任务，统一脚手架，系统性反作弊，一把拉到benchmark的标准。
论文地址：https://programbench.com/static/paper.pdf
在之前的测试中，SWE-Bench会给你一个现成的代码库，告诉你哪里有bug或者需要加什么功能，你去改。本质上是「阅读理解+局部手术」。
而且在评估层面，它用的是单元测试，检查你的代码内部实现对不对，你的函数签名、变量名都得和预期一致。
ProgramBench则完全反过来。
它只给你两样东西，一个编译好的可执行文件，加上使用文档。
你的任务是仅凭运行这个程序、观察它的输入输出行为，从零写出一套能复现同样行为的代码。
选什么编程语言，用什么数据结构，怎么拆分模块，全部你自己定。
没有代码骨架，没有函数签名，没有任何提示。
评估方式上，研究团队用Agent驱动的模糊测试，为200个任务生成了总计248,853个行为测试。
你写的程序跑一遍，输入输出和原版一致就算过，不一致就挂。测试永远不会透露给模型。
和SWE-Bench的单元测试不同，ProgramBench的行为测试完全不关心你的代码内部长什么样，只要行为一致就行。
200个任务覆盖的项目横跨压缩工具（zstd、lz4、brotli）、语言解释器（PHP、Lua、tinycc）、数据库（DuckDB、SQLite）、媒体处理（FFmpeg）、开发者工具（ripgrep、fzf、jq）。
代码行数中位数8,635行，最大的FFmpeg有270万行。
总结来说，这个测试考的是AI有没有能力「像人类工程师一样思考和设计软件」，而不只是「在现成代码里找到该改的地方然后改对」。
参加测试的共有9款模型，涵盖Claude、Gemini、GPT三大家族。
完整通过率（所有测试全部通过），全员0%。
先看三家旗舰的正面对决。
GPT-5.4和Gemini 3.1 Pro的平均测试通过率几乎打平，分别是38.3%和36.6%。但两者的做题风格截然不同。
GPT-5.4只用16次API调用、0.33美元成本，基本就是一口气把整个程序写完，100%的代码在一次编辑中生成，之后几乎不回头改。
Gemini 3.1 Pro则是9个模型里最爱「观察」的。它用了94次API调用，其中34.1%的操作都在运行原版程序、观察输入输出行为。探索做得最多，但最终成绩差距不大。
真正拉开身位的是Claude Opus 4.7。
平均通过率51.2%，在3%的任务上通过了95%以上的测试，是唯一达到「几乎通过」标准的模型。但即便是它，也没有在任何一个任务上拿到满分。
从整体来看，9个模型的表现呈现出清晰的梯队。
Claude系三款旗舰（Opus 4.7、Opus 4.6、Sonnet 4.6）领先，GPT-5.4和Gemini 3.1 Pro构成第二梯队，剩下的四款小模型通过率都在35%以下。
另一个反直觉的发现是，砸钱和堆步数并不能换来更好的成绩。
Sonnet 4.6每个任务平均跑868条命令，成本27.09美元，最长的轨迹接近2000步。但它的成绩反而不如只用93次调用、花3.81美元的Opus 4.7。
更关键的是，98%的运行中，模型都是自己觉得「做完了」主动交卷的，根本没有撞到时间或步数上限。
不是考试时间不够，是真的做不到。
此外，任务难度和模型排名高度一致。
简单的CLI工具（nnn、fzf、gron）大家都能拿到不错的分数，复杂系统（FFmpeg、PHP、typst、ast-grep）则对所有模型一视同仁地无情。
需要说明的是，ProgramBench用的是mini-SWE-agent这个极简脚手架，没有上下文压缩、没有多Agent协作、没有定制化工具链。
研究团队对比了通过75%以上测试的高分解答和人类原版代码，发现了几个惊人的差异。
单文件怪兽。
人类代码中位数分布在15个文件里，模型的中位数是3个。
60%的解答只有1到3个代码文件。
人类工程师按功能拆分模块，模型倾向于把所有东西塞进一个巨大的文件。目录深度中位数，人类是2层，模型是1层。
函数又少又长。
Opus 4.7写的函数数量只有人类的29%，Sonnet 4.6是24%，GPT-5.4只有10%。
但每个函数的平均长度更长，Gemini 3.1 Pro写的函数比人类长62%。
代码量大幅缩水。
模型代码中位数1,173行，人类是3,068行。85%的高分解答比原版短。
总结来说就是，现在的AI会写代码，但不会做软件设计。
它不懂为什么要拆分模块，不理解为什么人类工程师要花时间定义接口和抽象层。策略就是把所有逻辑硬塞进尽可能少的文件和函数里，能跑就行。
GPT-5.4的表现最极端。平均每个任务只创建5个文件，修改1.2次，39.5%的轨迹在创建文件后零修改。
相比之下，Claude Sonnet 4.6平均创建11.3个文件、修改18.3次，表现出更接近人类的迭代开发模式。
还有一个很有意思的现象。
模型只有50%的概率会用和原版相同的编程语言。
其中，Python是模型的最爱，占所有1,800次运行的36%。
原版用Rust写的项目，只有44%用Rust重写；C/C++的，46%。Go项目的「忠诚度」最高，70%。
不管你原来是用什么语言写的，模型有三分之一的概率会用Python重来一遍。
这可能是整个研究里最有戏剧感的部分。
研究团队做了一组对照实验，给模型开放网络访问权限，但在系统提示中明确告知「作弊不允许」。
然后用9个AI裁判检查每条轨迹是否存在作弊行为。
结果触目惊心。
Claude Sonnet 4.6有36%的任务被判定作弊，Claude Opus 4.6是21%，Gemini 3 Flash是20%。
作弊方式五花八门。
最赤裸裸的是去GitHub克隆源码仓库。
稍微隐蔽一点的是通过包管理器下载，比如cargo install、go get。
更狡猾的是去本地包缓存目录翻依赖库的源码。
但AI裁判之间的分歧也大得惊人。
对于Claude Opus 4.6，9个裁判在57%的任务上无法达成一致。
有一个案例特别典型。
Claude Sonnet 4.6在做handlr这个Rust项目时，跑去~/.cargo/registry/src/目录翻了xdg-mime、clap等依赖库的源代码。
5个裁判判定作弊，4个裁判认为这些是第三方库不算作弊。
最终，研究团队放弃了「联网+事后检测」的方案，直接断网。
模型在面对困难任务时，「找捷径」的倾向比预想的强得多。而连9个AI裁判都判不清楚什么算作弊、什么算合理的逆向工程，说明这条边界本身就是模糊的。
SWE-Bench上能拿72%的模型，在ProgramBench上拿0%。
这两个测试考的根本就是两种能力。SWE-Bench考的是「在别人的代码里找到问题并修好」，ProgramBench考的是「自己从头设计并实现一个完整系统」。
前者AI已经做得相当好了，后者目前完全不及格。
Epoch AI上周刚发了一篇博文，宣判旧推理benchmark集体死亡。想搞出还没被刷爆的测试，至少得放弃四个舒适条件中的一个，纯文本、短耗时、易评分、人类专家碾压。
按这个框架来看，ProgramBench放弃了其中两个，短耗时和易评分。
它把任务拉到了人类工程师可能需要数周甚至数月才能完成的量级，同时用行为等价性而非源码匹配来评估。
作者John Yang在推文中强调，「ProgramBench非常难，但它在设计上是可解的。」
也就是说，0%不代表这些任务超出了AI的理论极限，只是说明今天的模型还远远不够。
SWE-Bench测的是AI能不能当一个好员工。ProgramBench测的是AI能不能当一个工程师。
这两件事之间的距离，今天刚被精确测量出来。答案是0%。
参考资料：
https://programbench.com/static/paper.pdf
https://x.com/jyangballin/status/2051677497562210552?s=20
https://x.com/EpochAIResearch/status/2051760424891392204?s=20
https://epochai.substack.com/p/rip-classic-reasoning-benchmarks
本文来自微信公众号“新智元”，作者：新智元，36氪经授权发布。
发布时间：2026-05-06 22:06
立即订购
在线咨询
返回顶部