AMAP 团队发布了一个叫 LoopArena 的基准，论文挂在 arXiv 上，编号 2608.28281。它要评估的不是模型写代码有多强，而是模型作为 Controller 时，能不能引导一个独立、固定的 Worker 编码智能体把长任务跑完。

外层循环能力才是考点

打开网易新闻 查看精彩图片

这里的关键词是“外层循环”。模型不是自己动手写每一行，而是站在外面指挥一个 Worker 去干活。Worker 是固定的，不会变聪明，也不会换人。模型得靠自己的调度、纠偏和决策，把任务一步步推进到结束。

为什么这个角度有点意思

过去很多基准都在测编码智能体本身，比如能不能过测试、能不能修 bug。LoopArena 把镜头挪开了：如果 Worker 不变，换不同的 Controller，结果会差多少？这其实是在问，模型当“指挥”的水平，是不是被低估了。

目前公开的信息只到发布这一步，具体怎么打分、任务长什么样，还得看论文细节。但至少有一点很清楚：写码能力之外，模型能不能稳住一个长任务的节奏，正在被单独拎出来量一量。