Cognition 发布全新代码基准 FrontierCode：从正确性转向代码质量，顶尖模型合格率不足 15%

AI 编程公司 Cognition 推出了名为 FrontierCode 的全新代码生成基准测试，旨在解决现有评测标准仅关注代码“能否运行”而忽视质量的问题。该测试联合了 20 多位顶级开源项目维护者，基于真实的代码库维护标准构建，重点评估 AI 生成代码的“可合并性”，涵盖正确性、测试质量、作用域控制及代码风格等维度。FrontierCode 引入了逆向经典测试、自适应评分等新颖的验证手段，相比 SWE-Bench Pro，其误报率降低了 81%。实测结果显示，即使是目前最强大的 Claude Opus 4.8 模型，在最难的 Diamond 子集中得分也仅为 13.4%，GPT-5.5 和 Gemini 3.1 Pro 的得分则更低。这一数据表明，尽管大模型在基础代码生成上取得进展，但在满足生产级代码的高标准、隐性约束及工程审美方面，仍面临巨大的技术瓶颈。

事件分析

💡 核心观点：基准测试升级揭示行业真相：AI 编程已跨过“能跑”阶段，但距离符合人类工程规范的“可维护”标准仍有本质鸿沟。