研究人员推出了 TestEvo-Bench，这是一个实时基准，旨在评估智能体处理软件测试和代码协同进化的能力。与依赖静态元数据的现有基准不同，该框架使用真实的提交历史和配置环境来验证可执行的指标，如通过率（pass rate）和覆盖率。

该基准包含两个赛道：测试生成，即智能体为新行为编写新测试；以及测试更新，即智能体将失败的测试适配到已更改的代码中。它包含从 152 个开源 Java 项目中整理的 746 个测试生成任务和 509 个测试更新任务。该基准的实时性质允许评估仅限于晚于模型训练截止日期的任务，以减少数据泄露。

结合 Claude Code、Gemini CLI 和 SWE-Agent 的智能体实验显示，在测试生成上的成功率高达 77.5%，在测试更新上为 74.6%。然而，在近期任务和严格的单任务成本限制下，性能显著下降。