Forge 1.0
LeanZero开发的智能体编码基准，基于在无联网环境下构建Atlassian Forge应用的任务，用于评估AI模型的agentic编程能力
时间轴 (近 90 天)
该数据集目前包含 94 行记录，每行对应一个模型在一个榜单上的表现，覆盖 Gauntlet 7.2、Forge 1.0 和 Forge 2.0 三个榜单。
Gauntlet 7.2 基准要求模型构建一个支付应用；Forge 1.0 和 Forge 2.0 要求构建或升级一个面向 Jira 的 Atlassian Forge 应用。
Gauntlet 和 Forge 1.0 榜单的每行数据仅有单次运行，运行间噪声真实存在，作者建议分数只差百分之几时不应过度解读。
该数据集成本字段不完整：Gauntlet 仅一行记录了成本；Forge 1.0 的数字是下界；Forge 2.0 的大部分数字完整。
在 Forge 1.0 基准上，Haiku 得分 0.9661，Luna 得分 0.395，Haiku 距离 Claude Opus 5.5 仅差 0.0106
Luna 在 Forge 测试中从未导入历史变更，62 条历史变更一条没进，触发标注为 critical 的 backfill 检查，将整轮分数从 0.6583 乘以 0.6 变成 0.395
全部知识事实 (4)
该数据集目前包含 94 行记录，每行对应一个模型在一个榜单上的表现，覆盖 Gauntlet 7.2、Forge 1.0 和 Forge 2.0 三个榜单。
50%待验证Gauntlet 7.2 基准要求模型构建一个支付应用；Forge 1.0 和 Forge 2.0 要求构建或升级一个面向 Jira 的 Atlassian Forge 应用。
50%待验证Gauntlet 和 Forge 1.0 榜单的每行数据仅有单次运行，运行间噪声真实存在，作者建议分数只差百分之几时不应过度解读。
50%待验证该数据集成本字段不完整：Gauntlet 仅一行记录了成本；Forge 1.0 的数字是下界；Forge 2.0 的大部分数字完整。
50%