论文提出 Alipay-PIBench，用于评估编码代理完成真实支付宝支付集成任务的能力。基准包含 9 个产品项目和 18 个任务实例，覆盖基础功能完成与高级风险加固，并结合静态、单元、集成、端到端检查及 LLM 语义评估。6 个模型在具备专用技能时的平均通过率为 68.58% 至 91.37%，技能平均带来 10.31 个百分点提升。
最近 24 小时暂无可用热度快照。