FrontierCode 基准测试：Claude Opus 4.8 仅 13.4%，AI 代码离可合并还很远

Cognition 推出 FrontierCode 编码基准测试，评估 AI 生成的代码是否达到人类维护者愿意合并的质量，而不仅仅是能否通过测试。该基准包含 150 个任务，由 20 多位开源维护者设计，每个任务耗时超 40 小时。结果显示，最强模型 Claude Opus 4.8 在最高难度 Diamond 子集上仅得 13.4%，GPT-5.5 得 6.3%，Gemini 3.1 Pro 得 4.7%。评分系统引入“阻塞项”机制，任何导致无法合并的问题（如行为错误、不安全改动）直接判 0 分，通过后才按可读性、类型安全等软质量项加权。这揭示了当前 AI 编程助手在代码设计、约束和项目风格适配上的严重不足。