騰訊自建Agent基準，結果自家CodeBuddy沒打過Claude Code

BiRun 訊，騰訊做了一套 Agent 基準 WorkBuddy Bench，順手讓自家 CodeBuddy Code 和 Claude Code 正面對打。

260 道眞實工作題分成代碼、Web、辦公、安全四類，7 個模型都用兩套 Harness 各跑一遍。Harness 就是模型外面的 Agent 執行層，負責上下文、工具調用和任務執行。

28 組衕模型對比，Claude Code 贏了 17 組，CodeBuddy 只贏 11 組。代碼更是 7:0，7 個模型換成 Claude Code 後全部漲分。

CodeBuddy 也沒有全面捱打。Web 和辦公都是 4:3 小勝，安全則被 Claude Code 4:3 拿下。

衕一個模型只換 Harness，成績就能差十幾分。所以看 Agent 強不強，已經不能只看底層模型。

但騰訊這份榜單也有明顯不足。260 道題拆成四類後，每類只有 50 到 80 題。社區有人質疑，這麼少的題能不能撐起穩定的模型排名。

另外，GitHub 上也有人嫌只測了兩套 Harness，連 Codex 都沒有。

騰訊