10月27日，做AI编程工具Devin的Cognition发布了编程基准FrontierCode 2.0：132道题全部来自真实开源项目，评分标准不再是测试是否通过，而是维护者愿不愿意合并这份改动。按官方榜单，目前最高得分只有约45%。新标准衡量的不再是AI能写多少代码，而是这些代码有多少能直接进真实项目。小红书小红书
题目故意留白，一个阻塞项不过就零分
132个任务全部来自真实开源仓库，题目由对应项目的维护者参与构建，官方称每个任务投入40小时以上。小红书
与上一版相比变化最大的是提示词：1.0问“你会合这个PR吗”，2.0问“你该合吗”，题目故意不写全工程决策，让模型自己展现判断力。小红书
评分则是全有全无：单元测试通过只是底线，改动过多、把diff伸进无关文件、漏掉边界情况，都算阻塞项，任何一项不过，这次尝试直接0分。相比1.1版，2.0的参考解平均多改67%的文件、多89%的代码行——“该被合并”的工作量本身就更大。小红书小红书
官方展示的一个例子很能说明新标准：一道题要求修复Mock Service Worker里resetHandlers()不重启generator的缺陷，Claude Opus 5.5在重置时直接丢弃旧generator引用，报告的bug确实解决了，但用户写在finally里的清理代码从此永远不会执行——提示没提清理，而有经验的JavaScript开发者会预期finally在generator被放弃时运行，这个解法最终被判“不该合并”。测试全过、bug全修，只满足了“能跑”，没满足“隐式正确性”，这正是新基准要量出来的差距。小红书
最高约45%，原来挤在一起的模型分出梯队
FrontierCode并非横空出世：2026年6月Cognition发布初版，要解决的核心痛点就是AI生成的代码能否被人类维护者合并。7月更新至1.1版后，独立评测机构Artificial Analysis在10月中旬转测其150题中的100题Main集，六个实验室的九个模型得分挤在43%到52%之间，头部差距很小。哔哩哔哩微博
换成2.0这套卷子，榜单远未饱和：Opus 5.5以45.5%居首、GPT-6 Astra以42.8%紧随其后，两者各掉了9到10个点，其余多数模型掉了19到27个点、全部落到30%以下。掉分最直观的是开源阵营：Kimi K3、GLM 5.3等中国开源模型集中在17%上下，而在1.1的独立转测中，Kimi K3还以44%左右的成绩处在开源头部。小红书小红书
更典型的是为SWE任务专门调优的Cognition自家模型SWE-2：1.1上拿到50%、排名靠前，2.0上只有约24%，落到榜单尾部——“把规格做对”这两年被大量公开任务用于强化训练，是可以被训练出的能力，“想维护者之所想”不在其中。小红书
钱也分层：官方口径下，Opus 5.5平均每任务花费约12.8美元，GPT-6 Astra约6.67美元；GPT-6.1 Sol以约1.03美元拿到39%左右、站在性价比一档；GPT-6 Luna与Haiku 5.5则在0.5美元以下得分两成出头。榜单上没有任何模型通吃，Artificial Analysis也已把FrontierCode 2.0纳入其10月28日发布的智能指数v5，自测Opus 5.5约46%，与官方榜单不完全重合。这些低分对应的是很具体的失败方式：模型确实修好了指定bug，却漏掉另一个相同代码路径；或者顺手重构了十几个无关文件；或者没有补回归测试。小红书小红书知乎
瓶颈从“写”挪到了“审”
评价口径转向“可合并”，是因为写代码的瓶颈已经换了地方。一份公开分析引用行业数据指出，使用自主AI代理的开发者能写出多出741%的代码，最终却只交付多约30%的软件；人工审查在代码量超过400行后效率急剧下降，而AI已能生成上万行的拉取请求，METR还发现近一半通过SWE-bench测试的拉取请求实际无法合并。当“测试全过”不再等于“代码可用”，“能不能合、该不该合”就成了新的标尺。哔哩哔哩
对用AI写代码的人：推理档位不是越高越好
新基准还给出了一个可以直接用的观察信号：官方汇总四个模型的结果，推理档位越高，模型越倾向多写代码、多改文件，哪怕没这个必要。小红书
一道Android统计工具的启动bug题里，GPT-6 Astra低档5次全过，满档只过1次——满档时它常把整个对外公开的类删掉，bug修好了、引用这个类的应用却可能跟着出错，直接判不合格；另一道题上，Opus 5.5反而低档5次一次没过。整体上，拉高档位让“考虑不周”这类阻塞项的失败率从26.0%降到15.3%，Cognition给出的用法是：小改动先用低档或中档、少乱改，要顾很多边角情况的活再把档位拉高。让Agent提PR之前，最好补一轮人工review，重点看改动是否克制。小红书小红书
这张榜单能代表的范围也有限：任务全部私有以避免污染，出题和运营方Cognition本身就是卖编程智能体的公司，132题的规模不算大。分数预测的偏向是“模型完成实际工作时需要多少人工补救”，还不能直接等同于真实生产环境的合并率；榜单重排后，社区里也出现了质疑排名独立性的声音。但评测口径从“通过测试”转向“该被合并”，与METR的发现一致，也已被第三方综合评测采用——它意味着一件很具体的事：AI写的代码想被“收下”，价格正在被重新计算。微博知乎
