Изследователи представиха MirrorCode, нов бенчмарк за тестване на производителността на ИИ при дългосрочни софтуерни задачи. Като изисква от моделите самостоятелно да реализират сложни програми без достъп до първоначалния код, тази рамка оценява реалния капацитет за автономно програмиране на съвременния ИИ.