專门开发 React 相关工具的 Million 團队近日正式推出「ReactBench v1」，这是首个針对 AI 程式碼生成代理（Coding Agents）在真实 React 开发任務上的基準測試。測試結果顯示，即便是表现最佳的 GPT-5.6 Sol，成功率也僅有 43.1%，所有受測模型皆无法突破五成大关，顯示现有 AI 距离完美取代人類开发者仍有不小差距。 （前情提要：OpenAI 示範 GPT-Live 多任務能力：边聊天边查航班、天气、股价，难題丟給 GPT-5.5） （背景補充：Visa 报告：AI 代理支付进入实用階段，穩定币更适合高频小額支付）
本文目錄
Toggle
随著人工智慧（AI）編寫程式碼的能力日益強大，如何確保其产出的品质成为全球开发界关注的焦点。針对目前最主流的前端框架 React，曾开发出 React Scan 与 Million.js 的知名开源團队 Million，近日正式推出了「ReactBench v1」基準測試。这項測試有別於过去僅要求 AI 通过基本單元測試的標準，而是將 AI 置於真实的开源專案情境中，嚴格檢視其生成的程式碼是否符合生产環境的高要求。
ReactBench v1 共篩选了 51 項来自真实开源專案的任務（Pull Requests）。測試主要分为「編寫（Write React）」与「修復（Fix React）」两大核心能力。为了防止 AI 生成看似可行卻暗藏危机的程式碼，該測試導入了擁有超过 400 條檢查規則的「React Doctor」验证器，專门揪出无效渲染（Renders）、效能低落、无障礙设计（Accessibility）缺失以及可維護性等潛在问題。官方強调，AI 代理不僅要完成功能，更不能引入任何新的程式碼错誤。
根據官方公布的平均通过率（pass@1）成績，目前市场上的顶級 AI 模型表现仍有極大进步空间。由 OpenAI 推出的 GPT-5.6 Sol（Medium / XHigh 配置）以 43.1% 的綜合得分拿下第一；緊追在后的是 Anthropic 的 Claude Fable 5（XHigh），得分为 41.2%。官方表示两者差距较小，暫时还无法確认 Sol 具有絕对優勢。
值得注意的是，即便名列前茅，所有受測模型的成功率皆不到 50%。數據顯示，在累積 4,455 次的新功能开发測試中，各模型總共引入了高达 1,194 个 React 相关问題，其中 77.5% 屬於嚴重的程式错誤（Bug）或安全性问題，尤其在列表渲染与 Hook 規則的正確性上最容易栽跟头。
儘管顶級模型表现差強人意，但在成本考量上則有亮点。报告指出，GPT-5.6 Terra（Medium）的得分达 38.0%，表现相当接近顶尖水準，但同为 XHigh 配置时，Fable 5 的單次測試成本卻约为 Sol 的 6.3 倍。这顯示出对於需要大量生成程式碼的企业而言，选擇中階模型可能具備極佳的性价比。
React 目前佔據了约 70% 使用 JavaScript 框架網站的市佔率。开发團队表示，若开发者盲目相信 AI 生成的 React 程式碼，微小的缺陷很容易在生产環境中被放大，甚至導致系统当机、转換率下降与營收損失。ReactBench 的推出，正是为了替全球开发者把关，確保未来的 AI 代理能真正寫出安全、合規且高效的優质程式碼。
123.59万 热度
4.33万 热度
64.42万 热度
92.16万 热度
2915.06万 热度
ReactBench 评测 AI 代码生成代理：GPT-5.6 Sol 以 43.1% 夺魁，主流大模型狂踩 Bug 地雷
專门开发 React 相关工具的 Million 團队近日正式推出「ReactBench v1」，这是首个針对 AI 程式碼生成代理（Coding Agents）在真实 React 开发任務上的基準測試。測試結果顯示，即便是表现最佳的 GPT-5.6 Sol，成功率也僅有 43.1%，所有受測模型皆无法突破五成大关，顯示现有 AI 距离完美取代人類开发者仍有不小差距。
（前情提要：OpenAI 示範 GPT-Live 多任務能力：边聊天边查航班、天气、股价，难題丟給 GPT-5.5）
（背景補充：Visa 报告：AI 代理支付进入实用階段，穩定币更适合高频小額支付）
本文目錄
Toggle
随著人工智慧（AI）編寫程式碼的能力日益強大，如何確保其产出的品质成为全球开发界关注的焦点。針对目前最主流的前端框架 React，曾开发出 React Scan 与 Million.js 的知名开源團队 Million，近日正式推出了「ReactBench v1」基準測試。这項測試有別於过去僅要求 AI 通过基本單元測試的標準，而是將 AI 置於真实的开源專案情境中，嚴格檢視其生成的程式碼是否符合生产環境的高要求。
嚴格檢验：不僅能跑，还不能有 Bug
ReactBench v1 共篩选了 51 項来自真实开源專案的任務（Pull Requests）。測試主要分为「編寫（Write React）」与「修復（Fix React）」两大核心能力。为了防止 AI 生成看似可行卻暗藏危机的程式碼，該測試導入了擁有超过 400 條檢查規則的「React Doctor」验证器，專门揪出无效渲染（Renders）、效能低落、无障礙设计（Accessibility）缺失以及可維護性等潛在问題。官方強调，AI 代理不僅要完成功能，更不能引入任何新的程式碼错誤。
GPT-5.6 险勝 Claude，整體成功率皆不到一半
根據官方公布的平均通过率（pass@1）成績，目前市场上的顶級 AI 模型表现仍有極大进步空间。由 OpenAI 推出的 GPT-5.6 Sol（Medium / XHigh 配置）以 43.1% 的綜合得分拿下第一；緊追在后的是 Anthropic 的 Claude Fable 5（XHigh），得分为 41.2%。官方表示两者差距较小，暫时还无法確认 Sol 具有絕对優勢。
值得注意的是，即便名列前茅，所有受測模型的成功率皆不到 50%。數據顯示，在累積 4,455 次的新功能开发測試中，各模型總共引入了高达 1,194 个 React 相关问題，其中 77.5% 屬於嚴重的程式错誤（Bug）或安全性问題，尤其在列表渲染与 Hook 規則的正確性上最容易栽跟头。
性价比成关鍵，AI 輔助开发仍具潛藏风险
儘管顶級模型表现差強人意，但在成本考量上則有亮点。报告指出，GPT-5.6 Terra（Medium）的得分达 38.0%，表现相当接近顶尖水準，但同为 XHigh 配置时，Fable 5 的單次測試成本卻约为 Sol 的 6.3 倍。这顯示出对於需要大量生成程式碼的企业而言，选擇中階模型可能具備極佳的性价比。
React 目前佔據了约 70% 使用 JavaScript 框架網站的市佔率。开发團队表示，若开发者盲目相信 AI 生成的 React 程式碼，微小的缺陷很容易在生产環境中被放大，甚至導致系统当机、转換率下降与營收損失。ReactBench 的推出，正是为了替全球开发者把关，確保未来的 AI 代理能真正寫出安全、合規且高效的優质程式碼。