Исследователи представили MirrorCode, новый бенчмарк для тестирования производительности ИИ в долгосрочных сквозных задачах по разработке программного обеспечения. Требуя от моделей самостоятельной реализации сложных программ без доступа к исходному коду, эта система оценивает реальный потенциал автономного программирования современного ИИ.