Doc2Harness：评估LLM在长周期编码智能体工程中的基准测试

Doc2Harness是一个两阶段的基准测试，用于评估长周期编码智能体工程。在第一阶段，构建模型在固定构建器环境中接收接口合同骨架和开发文档，构建候选工程。在第二阶段，候选工程在独立容器中运行，由脚本模拟模型驱动。GPT-6 Astra在19个前沿模型中表现最佳，通过率高达53.05%。