MiniMax 开源新评测集：定义Coding Agent 的生产级标准

每日快讯 2026-01-15

在 Coding Agent 的实际应用中，我们观察到一个反复出现，却常被忽略的的现象：用户对 Agent 的不满，往往不是因为它“做不到”，而是因为它“做得不好”。

通过整理用户体感反馈，我们发现最高频的抱怨集中在：Agent 不遵循明确给出的指令。比如用户在系统提示中明确要求“不要使用 emoji”，Agent 却在代码注释里加上笑脸；用户要求“先备份再修改”，Agent 直接 [rm-rf] 删除文件；用户在项目文档中规定了命名规范，Agent 却自行其是。

这些问题的共同特征是：任务最终可能完成了，但过程违反了规范。用户要的不只是“能跑的代码”，还有“符合团队协作规范的代码”。

为什么 Coding Agent

需要新的 Bench

如果我们认为，遵循过程规范的 Coding Agent ，才能被放心地引入真实的软件工程流程中。那么目前主流 Code Agent 的评估体系就出现了明显的盲区。随着 Claude Code、Codex、Cursor、Windsurf 等 Agent 产品的普及，社区正在形成一套面向 Agent 的仓库协议体系。项目不再只是一堆代码，同时也包含了多层次协作模式的说明：

[CLAUDE.md]/[AGENTS.md]：告诉 Agent “这个项目怎么玩”——命名约定、测试流程、禁用的危险操作等
Skills：封装可复用的工作流(如“生成 API 文档”)，Agent 需要正确识别触发时机并按规范调用
Memory：跨会话保存用户偏好和任务进度，Agent 需要基于历史状态继续工作，而非从头开始

这些机制的出现，本质上是在构建一个多层级的指令系统。举个例子，当用户说“帮我重构这个模块”时，Agent 需要同时满足多个层级的约束：系统层面的安全规则（不能直接删代码）、当前用户的即时指令（重构到什么程度）、仓库中明确写下的工程规范，以及历史记忆中已经做出的决策（延续还是推翻）。更复杂的情况是，这些指令源之间可能冲突。用户临时说“这次就先不写测试了”，但 [AGENTS.md] 里明确要求“每次提交必须有测试覆盖”——Agent 该听谁的?

然而一个尴尬的问题是，当前的学术榜单，无论是 SWE-bench verified，还是各类基于 terminal 环境的测试，其核心理念几乎都是 Outcome-based Metrics (结果导向指标)：测试是否通过? Bug是否修复？这种结果导向的评估方式，根本无法刻画模型在沙盒环境下的输出过程，更不用说复杂现实场景的真实交互体验，最终导致了评估和真实使用场景的错位。

OctoCodingBench：

面向工程可靠性的过程评估

要解决这个问题，评估范式本身需要发生根本性转变——需要关注输出过程本身。

基于这一动机，我们引入了 OctoCodingBench，从 Check-level 准确率(CSR)、 Instance-level 成功率(ISR)两个维度来进行评估，旨在充分观测模型的完成任务时出现的过程指令不遵循问题，以尽可能接近真实用户体验。

其中，CSR用来衡量Coding Agent遵循了多大比例的规则，ISR则用来衡量Coding Agent是否遵循了每条规则。

一个合格的 Coding Agent，需要在完成任务的同时遵循：

System Prompt 中的全局约束(语言、格式、安全规则)
User Query 的多轮指令更新
System Reminder 提供的脚手架指令
Repository 规范文件 (如 [CLAUDE.md]/[AGENTS.md])中的代码风格、提交规范
Skills 文档的正确调用流程
Memory/Preferences 中记录的用户偏好和项目状态

基于该评测集，我们针对现有的开源闭源模型进行了广泛的评估，发现了一些很有启发性的实验结果：

所有模型的 Check-level 准确率(CSR)可以达到 80%+，但 Instance-level 成功率(ISR)只有 10%-30%。换句话说，模型在单项约束上表现不错，但一旦要求“全部规则同时满足”，成功率就断崖式下跌。
绝大模型模型的指令遵循能力会随着轮次的变多逐渐下降。这印证了“过程合规”在长流程任务中的脆弱性。

不同交互轮次下ISR的变化

现阶段模型表现普遍未能达到生产级要求，过程合规仍是盲区：
从榜单数据来看，即便是表现最强劲的 Claude 4.5 Opus，其 Instance-level 成功率（ISR）也仅为 36.2%。这意味着，在近三分之二的任务中，模型虽然可能写出了能跑的代码，但在过程规范上依然存在违规。这一低分现状明确揭示了一个事实：Coding Agent 的“过程规范遵循”尚未被业界充分关注和优化，目前的模型严重偏科于“结果正确”，而忽视了“过程正确”。
开源模型正在快速追赶闭源模型：
观察榜单可以发现，MiniMax M2.1 和DeepSeek V3.2的 ISR 分别达到了26.1%和26%，已经超过了公认强大的闭源模型Claude 4.5 Sonnet (22.8%) 和 Gemini 3 Pro (22.9%)，开源模型已经展现出了极强的竞争力。