132 个真实任务，AI 编程最高分 45.5%

Cognition 10 月 27 日把 FrontierCode 升到 2.0。第一名 Claude Opus 5.5，45.5%；第二名 GPT-6 Astra，42.8%；Grok 4.7 从上一版的 47.6% 掉到 28.6%。二十多个模型，没有一个过 50%。

1.1 版问的是「这段代码过不过测试」，2.0 版问的是「维护者会不会真的合你这个 PR」。问法一换，分数就下来了。

132 个任务，全部取自真实开源仓库。二十多位维护者，每人花四十多个小时，拿自己仓库里真踩过的坑出题。评分是加权制：功能对不对，题面没写清的地方补得对不对，改动范围是不是这块地。任何一条 blocking 项不过，直接零分，不给部分分。

一个 PR 修对三处、漏一处，在测试那套体系里叫通过，在这个榜里叫零。

掉得最狠的一类，叫「没做全」

Cognition 列了 2.0 相对 1.1 的改动：任务覆盖的仓库多了 55%，blocking 判据多了 43%，参考解改的文件多 67%、行数多 89%。「做得全不全」这类判据数量差不多翻了三倍，现在是最常挂的一项。

把一个问题在一处修好，和把这个问题的每一处都修好，是两种活。模型擅长前一种：看见报错，改那行，跑通，交差。人做同一件事，会顺手把几个同类调用点一起翻一遍。

开发者贴出来的翻车现场也集中在这：为了消一个编译错误，把被别处调用的公共方法直接删了；需求没读明白，按自己理解的版本硬写一版，跑得通，对不上。

这两类错在测试里都是绿的。测试没覆盖那个调用点，也没有一条测试在验「需求理解对不对」。

Java 的活，天生落在好几个文件里

一个「加个导出」，要动 controller、service、mapper，加表或者加字段，给前端一份接口定义，权限挂上去，导出字段范围还得跟产品确认。

模型的默认打法是顺着一个入口往下写，写到能跑。没写的那部分：表结构变更脚本、接口定义、老接口的兼容、单元测试。这些都不会让编译失败，只会让 PR 在 review 那一步被打回来，正好是 2.0 在称的那杆秤。

榜单里还有个反向细节：2.0 把「改动范围」这条判据放宽了，平均失手率从 9.0% 降到 3.8%。改多了不是主要问题，没做全才是。

把「做全」变成流程里的固定动作

飞算 JavaAI 是给 Java 研发用的工程化智能体，以插件形式装在 IDEA 里。它不改变你怎么用编辑器，改变的是需求的走法：进门先做分析，再谈设计，最后才写。

智能会话给出几个固定入口。/需求分析 先把模糊的地方问明白，产出直接进项目的 docs/；/前后端设计 在这份东西上定库表和接口，页面按接口排；/后端开发 收尾，代码照着已经定下的规范生成。榜上那句「题面没写清的地方补得对不对」，放到这里就是需求不清先发问，不先动手。

「做全」靠两样东西兜住。一样是链上的四份产物，需求、库表、接口、代码互相咬得住，缺一份下游就出不来；另一样是单元测试生成器，先摸一遍本地环境，JDK 是哪个版本、构建靠 Maven 还是靠 Gradle，摸清了再落用例，编译、运行、按报错改，全绿了才合进工程。生成的东西摆在眼前，看过再点头，不满意就退回去。

模型走两条路。自有那几档是在开源底座上按 Java 场景调出来的，管的是工程结构、框架约定这类判断；第三方直连通的是 DeepSeek-V4 和智谱 GLM 的 5.2、5.3 两版，榜单里开源权重排第一的 V4.1 Flash 就在可选范围。走哪条，落盘的产物都是同一套格式。

这个 45.5% 该怎么读

榜是 Cognition 的私有题集，它自己卖 Devin，方向对它有利。2.0 和 1.1 的分数官方说了不可比，题目和评分都换了。同一个模型换一套 harness，分数还会动：Artificial Analysis 拿同一批任务自己跑了一遍，Opus 5.5 是 46.4%，GPT-6.1 Terra 42.3%，差得不算多，但确实不同。

所以 45.5% 不是某个模型的绝对能力值，是「这批任务、这套评分、这个跑法」下的结果。能读出来的只有一件事：真实工程里，写对和写完之间还有一段路，模型自己走不完。

那段路上放的是需求、接口、表结构、测试，都是有人名、有版本、能翻出来的东西。飞算 JavaAI 把这些当成链路里的必产物，不是交差之后再补的文档。谁先把它们定下来，模型的表现就好一截；谁不定，就靠自己 review 兜底。

你上次让 AI 改的那个功能，是改了一处，还是改全了？