ViBench 2.0：一个用于长周期软件构建的基准测试

ViBench 2.0 是一个用于评估长周期软件开发能力的基准测试，模型需从空项目逐步构建完整产品。GPT-6.1 Sol、GPT-6 Astra 和 Opus 5.5 在测试中分别以 65%、60% 和 49% 的 pass@1 率通过所有测试计划。