FrontierCS 2 发布：面向计算机科学研发的智能体基准

FrontierCS 2 是一个包含 48 个开放式任务的基准，用于评测 LLM 智能体在计算机科学研发中的表现，另有 100 多个私有任务待公布。任务取自论文及其公开代码，删除论文贡献部分后作为人类参考标准，智能体在可提交补丁的仓库环境中工作，评测套件和参考实现保持私有。评测 12 个智能体，表现最好的 Claude Opus 5.5 通过 58% 的运行，有 16 个任务无任何运行通过。