WorkBuddy Bench
腾讯编码助手 WorkBuddy 团队联合安全实验室发布的安全 + 编码 Agent 评测基准（2026-07-24，arXiv 2607.20911）：四赛道 260 题，题目、评分代码、参考答案全部开源。姊妹基准：E-Bench。
四赛道（260 题）
| 赛道 | 题数 | 设计要点 | 成绩亮点 |
|---|---|---|---|
| 代码 | 80 | 修 bug 仅 10 道，其余为功能/测试/算法/数据分析；带开发者/算法/PM/QA/运维五种角色口吻 | Claude Opus 4.8 领先 |
| 前端 | 70 | 硬约束”必须交付能跑的东西”：自动化评测实际点按钮、验证交互与刷新后数据持久化 | — |
| 办公 | 50 | 混合文件工作区，检查关联文件更新与副作用 | [[wiki/entities/ChatGPT-5.5 |
| 安全 | 60 | 38 攻击 + 22 防御；确定性程序打分、五层反作弊 | [[wiki/entities/GLM-5 |
设计亮点
- 逆向改写防背题：题目从真实代码提交记录、代码审查请求、安全漏洞逆向改写成口语化需求；改写后用任务描述反查搜索引擎确认搜不到原始出处——从出题方式上防”背题”（防数据污染的题目侧手段，对照 动态对抗评测）。
- 全程不用大模型当裁判：确定性程序打分 + 五层反作弊——是 LLM-as-Judge 可靠性争论中的对照立场。
- 换执行环境排名就变：7 模型 × 2 套执行环境 = 8 张成绩单；代码赛道变动最大，GPT-5.5 与 GLM-5.2 两套环境排名互换。
⚠️ 矛盾 [2026-08-10] 分数是”模型 × 执行环境”的组合属性而非模型固有属性——安全赛道 GLM-5.2 两环境 76.32 / 80.86 均第一，但代码赛道排名随环境互换。
已知短板（论文自述）
代码赛道以 Python 为主、跨语言覆盖有限；办公赛道不涉及 OCR 与 GUI 操作；Claude Opus 4.8 在代码赛道有一组使用了修改过的指令配置（与其他模型跑法不完全一致）。