为了更好地评估大型语言模型（LLM）的编码能力，来自斯坦福、普林斯顿和康奈尔的研究人员开发了一个新的基准测试。这个新的基准测试名为 CodeClash，它让多个 LLM 在多轮比赛中展开较量，旨在评估在突破定义狭窄的特定任务范畴后，它们实现竞争性高阶目标的能力。

　　研究人员认为，仅在明确指定的任务上评估编码 LLM，例如修复 Bug、实现算法或编写测试，不足以评估它们应对现实世界软件开发挑战的能力。

　　与维护任务不同，开发人员需要实现高阶目标，例如提高用户留存率、增加收入或降低成本。这需要完全不同的能力；工程师必须一层层地将这些目标分解为可操作的步骤，对它们进行优先级排序，并就应采取哪些解决方案作出决策。

　　为了使 LLM 评估过程更接近现实世界中以目标为导向的软件工程，研究人员开发了 CodeClash，这是一个旨在反映开发周期迭代性质的基准测试。在开发过程中，它会根据现实世界的反馈提出clash多个端口对应多个节点、部署和完善变更，然后才进入下一步。在 CodeClash 中，LLM 争相构建能够实现高阶目标的最佳代码库：

　　多个 LM 系统在多轮比赛中构建实现高阶目标的最佳代码库。这些代码库实现的解决方案会在代码竞技场中展开角逐，例如 BattleSnake（基于网格的生存游戏）、Poker（不限注德州扑克）和 RoboCode（坦克大战）。

　　每一步包括两个阶段：编辑阶段（LLM 编辑代码库）和比赛阶段（代码库将在代码竞技场中相互评估）。代码竞技场根据分数最大化、资源获取或生存等目标来确定胜者。

　　一开始，只为 LM 代理提供简要的环境描述。虽然起始代码库中有竞技场机制、示例机器人和推荐策略这样的信息，但模型必须主动发现它们。

　　每轮结束时，比赛日志都会记录到日志库中，供 LLM 挖掘见解，并为下一轮比赛做好更充分的准备，其目标是全面提升代码库质量，同时增强相对于对手的竞争力。

　　通过这种方法，研究团队进行了 1680 场比赛，涉及 8 个 LLM，包括 Claude Sonnet 4.5、GPT 5、Gemini 2.5 Pro、Qwen3-Coder、Grok Code Fast 等。没有哪个模型在所有竞技场中都始终优于其他模型，不过总体来看，来自 Anthropic 和 OpenAI 的模型稍微有些优势。这在一对一和多代理比赛中都成立，只是在后一个场景中波动性更大些。例如，6 人比赛的获胜者只获得总分数的 28.6%，而在一对一挑战中为 78.0%。

　　研究人员还评估了模型分析其他 LLM 生成的代码库的能力。在这种情况中，GPT 5 被证明是最佳模型，优于 Claude Sonnet 4.5。然而，分析表明，检查对手的代码并不会自动转化为竞争优势。

　　尽管这项研究很有说服力，但研究人员承认，当前的实验环境规模还小于典型的现实系统。因此，未来研究将致力于处理更庞大的代码库并支持多重竞争目标。