评测编码智能体，过去总在几块割裂的场子里打转——修 bug 的看 SWE-bench，做前端的看 Design2Code，生产环境的基准又多半关着门不让外人审计。腾讯这次把四块拼到一处，端出一个叫 WorkBuddy Bench 的多领域评测套件，论文已挂在 arXiv 上。它最较劲的地方不在于题多，而在于这些题从根上就防着"背答案"。 整套基准横跨四个工作领域:代码（仓库级软件工程）、网页(前端制品)、办公(多文件业务流程)和安全(红蓝队)。规模分别是80、70、50、60个任务，合计260道。关键点…