kw-bench：用真实增值税重建任务评测编码智能体

George Juraj Salapa 提出并发布 kw-bench 基准，首个任务族是从三代 SAP 原始系统导出的数据中重建五年增值税，采用确定性评分、不用 LLM 评判。该基准的任务来自专家向作者描述的真实工作，用于评测编码智能体。 报道未披露任务的规模、难度分布或已有智能体的评测结果。

AI 根据报道生成 · 33 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。