---
title: Nuovo benchmark rivela limiti degli agenti di codifica nell'esecuzione completa dei compiti
url: https://www.elseif.net/it/nuovo-benchmark-rivela-limiti-degli-agenti-di-codifica-nellesecuzione-completa-dei-compiti
published: 2026-11-11T08:12:12+00:00
language: it
section: Harness
source: https://the-decoder.de/coding-agenten-liefern-viel-aber-selten-fertig/
organizations: Alibaba
publisher: elseif
---

# Nuovo benchmark rivela limiti degli agenti di codifica nell'esecuzione completa dei compiti

Ricercatori di Alibaba e di diverse università asiatiche hanno sviluppato Co-Design Bench, un nuovo test per valutare gli agenti di codifica basato su richieste reali di utenti. Gli agenti devono modificare applicazioni web esistenti seguendo istruzioni che possono includere immagini, registrazioni vocali, video o documenti. I risultati indicano che, nonostante le prestazioni elevate in test precedenti, gli agenti faticano a completare interamente i compiti.

GPT-6 Astra è risultato il migliore tra i dieci modelli testati, soddisfacendo in media circa il 70 percento dei requisiti di un compito. Tuttavia, il risultato è stato completamente corretto solo nel 26,4 percento dei casi. Altri modelli come Claude Opus 5 e Qwen3.8-Max seguono GPT-6 Astra, mentre Grok 4.6 si è posizionato all'ultimo posto. Per quanto riguarda le ristrutturazioni più ampie, il modello Qwen3.8-27B ha raggiunto il secondo posto.

Il test è stato creato perché i benchmark precedenti sono considerati ormai saturi, con modelli che raggiungono punteggi superiori al 99 percento quando possono eseguire e correggere il proprio codice. Co-Design Bench si concentra su casi in cui gli utenti hanno dovuto riformulare più volte le richieste o annullare le modifiche. Le prestazioni di tutti i modelli diminuiscono quando un compito combina tre o quattro diversi tipi di modifiche, come layout, design, funzionamento e contenuto.

L'ambiente di esecuzione, ovvero il software che permette all'agente di leggere, scrivere ed eseguire il codice, influenza significativamente i risultati. Ad esempio, Qwen3.8-27B ha ottenuto tra il 56 e il 75 percento a seconda dell'ambiente utilizzato. Gli autori suggeriscono quindi di testare e specificare sempre il modello insieme al suo ambiente di lavoro.

Il processo di valutazione prevede un controllore di intelligenza artificiale che testa l'applicazione nel browser, seguito da un secondo controllore che verifica i giudizi positivi per escludere risultati finti o preimpostati. I punti vengono assegnati solo per le funzioni effettivamente utilizzabili nell'applicazione. Nonostante l'aumento delle risorse computazionali, come nel caso di GLM-5.2 che ha consumato quasi sei volte più token di GPT-6 Astra, i risultati non sono migliorati proporzionalmente.