StaminaBench: Stress-Testing Coding Agents over 100 Interaction Turns

StaminaBench 把编码代理评测从单次任务推进到 100 轮连续变更请求，观察模型在长会话里是否还能保持需求、代码状态和测试反馈的一致性。这个设置抓住了真实软件协作中的一个盲点：代理前几轮写得通，后面仍可能在局部修改中破坏早先约束。它适合用来比较不同代理在持续维护、上下文压缩和回归控制上的耐力，而不是只看一次性 pass rate。