Independent model evaluation

把模型能力，放到真实工作里比较。

Lens Frontier 构建真实 Benchmark、运行模型并审查证据。我们不只发布谁领先，也说明分数为何成立。

1 个 Benchmark 已发布

Benchmark 模型排名

选择一个 Benchmark，马上看清它测什么、谁领先，以及结果是否可信。

全部 BenchmarkCode-QA-Bench

左右滑动浏览已发布评测；点击即可切换

模型排名分数越高，排名越靠前4 个模型

Benchmark system

榜单负责显示差异；Data Card 负责交代任务边界、数据来源、评审方式和当前状态。它们是同一个评测项目的两个视角。

一个全自动仓库级代码理解基准。它用闭卷、仅代码和含文档三种条件，将真正的代码阅读能力与文档记忆、预训练记忆分开测量。论文在 10 个固定版本的 Python 仓库上发布了 528 个 code-derivable 任务和 100 个 doc-dependent 任务。

发布团队论文、评测方法、Benchmark 版本与模型分析。

以行为保持和结构静态检查为核心，用真实开源代码提交做数据、隔离环境测试、用 tree-sitter 做语法树匹配，避开大模型当裁判带来的主观漂移，精准测量大模型的代码重构能力边界。

梳理 coding agent harness 的代码库检索路线：grep、语义索引、LSP、代码地图、Search Subagent 与工具检索如何走向混合检索。

搜索智能体训练需要难度适中的题：模型不能秒解，但认真搜索可解。我们设计了 Hardener-Solver-Critic 多智能体闭环，用模型真实求解行为增强题目难度，在 BrowseComp 风格合成题上将 62% 的样本推入了可训练区间。

以 LLM-as-a-Judge 为核心，通过 OCR/VQA/CLIP/IQA/HP 五模块协同校准，突破单一指标 benchmark 局限，全面捕捉现代文生图模型的真实能力边界。

Evidence standard

任务、协议、运行与评审必须互相可追溯。