AI测试每日观察8.11|把握AI评测领域的最新风向

日期：2026-08-11 涵盖范围：SWE-Marathon、OpenHands Index、HAL 可靠性看板、Artificial Analysis 编程代理指数、SWE Atlas、成本敏感型评测、长时间跨度任务、奖励漏洞利用、benchmark 可比性、企业级 Agent 选型基准GitHub Copilot：在 8 月 10 日至 11 日期间没有新功能条目发布，8 月初的功能更新仍有待纳入统一的评测基准体系SWE-Marathon：长时间跨度任务使奖励漏洞问题暴露在聚光灯下OpenHands