解读一下上面的图：
右侧的曲线图显示，在复杂工程的具体实现上，Opus4.6强于4.7
左侧的数据显示，在整个项目的完整把控上，Opus4.7略微强于4.6，但不多。
参考内容:
最近，Meta FAIR 联合斯坦福、哈佛等机构发布了一项很有意思的新 benchmark，本质上是在重新定义 AI Coding 的评估方式：
ProgramBench: Can Language Models Rebuild Programs From Scratch?
过去的大模型编程 benchmark，大多测的是局部能力：补全函数、修复 bug、实现 feature…本质上，仍然是在已有代码结构里做局部修改。
而 ProgramBench 第一次把问题推进到了真正的软件工程层面：如果只给 AI 一个程序的功能描述和 usage docs，它能不能像真正的工程师一样，从零开始，重新构建一个真实、可执行的软件系统？比如 ffmpeg、SQLite、ripgrep。
而且------不能联网。
换句话说：模型到底有没有工程智能？
为了测试这一点，研究团队直接删除了原始源码和测试，只保留 executable 和 usage docs，模型需要自己决定语言、架构、模块拆分、数据结构乃至整个 repo 的组织方式。
更关键的是，ProgramBench 不再按照源码相似度打分。它采用的是 behavioral equivalence，行为等价。也就是说，你可以用完全不同的语言、算法、架构，甚至完全不同的工程实现。只要最终输入输出行为与原程序一致，就算通过。
研究团队甚至使用了 agent-driven fuzzing，自动生成大量端到端行为测试。
这是第一次，一个 benchmark 真正开始逼近现实世界的软件工程，而不再只是代码做题。结果出来之后，整个 AI 圈都沉默了。
所有模型：0% 完成率。
Table 2 负责制造震撼，那么 Figure 4 负责解释震撼背后的细节。它告诉我们，模型并不是完全不会做，而是经常能做出一部分，甚至在少数任务上接近完成；但只要要求 100% 行为等价，所有模型都会倒下。但这最后一公里，正是软件工程和普通代码生成最大的区别。另外，如果矮子里面拔将军，Claude 系列（尤其是 Opus 4.7 和 4.6）表现相对最好。
即便论文专门增加了一个 Almost 指标------统计那些完成度超过 95% 的任务。目前表现最强的 Claude Opus 4.7，也只有 3% 的任务接近完成。
论文里，有一句特别关键的话：
Models favor monolithic, single-file implementations that diverge sharply from human-written code.
翻译过来就是：模型极度倾向于生成单体化代码。大量逻辑被塞进单文件；目录结构极浅；模块拆分极少；函数超长；整个 repo 看起来像一坨巨型脚本。
1 个帖子 - 1 位参与者