近日，由中科院、北大、港科大等多所知名学术机构联合研发的 GitTaskBench 正式推出，标志着代码智能体实战交付的新标准时代的开启。

现有的评测体系往往侧重于代码生成与封闭题目，无法全面反映开发者在实际工作中遇到的诸多挑战，例如环境配置、依赖管理及跨仓库资源整合等。因此，GitTaskBench 不仅仅关注代码生成，更将整个开发流程纳入评测范围，首次实现了从仓库理解、环境配置、增量开发到项目级交付的全链路评测。

该评测工具的核心在于 “框架 × 模型” 的经济收益评估，不仅能为学术界和业界提供深刻启示，还为创业者指明了方向。其开源版本涵盖了7大模态、7个领域、24个子领域，以及54个真实任务，提供了真实的 GitHub 仓库作为测试基础。每个任务都附有详细的自然语言指令和输入输出格式，并配备任务特定的自动化评测机制，确保评测的高效性与准确性。

在 GitTaskBench 的测评框架中，整体编码能力、任务导向执行和自主环境配置三大维度被系统性分析。这一全新评测体系不仅提高了代码智能体的评估标准，也为后续研究提供了宝贵的参考。

最令人振奋的是，GitTaskBench 引入了 “性价比” 这一概念，量化了任务完成的经济效益。通过结合任务完成率、市场价值和质量系数，研究者能够更准确地评估代码智能体在不同领域的实际价值。这一创新为未来的代码智能体应用铺平了道路，显示出其在节约成本、提高效率方面的巨大潜力。

GitTaskBench 的发布将会为代码智能体的评测与应用开辟全新的局面，使其能够在实际工作中发挥更大的效用。

论文地址：https://arxiv.org/pdf/2508.18993