K-Bench: Benchmarking Agentic Coding in Live Engineering Environments

K-Bench 收集带附件、信息不全且没有唯一标准答案的真实首轮工程请求，让九个前沿模型在同一沙箱完成 1602 次任务，再由三位盲评者按八维量表审阅。没有一个模型同时越过三名评委的验收线；GPT-5.6-Sol 均分最高为 8.04，但两位评委仍将 Claude Opus 5 排在首位。39934 个子项分数中 47.6% 低于 8，准确性均分 6.22 而表达为 7.33，提示当前代理更容易“交付得像完成了”而非真正完成。