Replit 发布 ViBench 2.0 长周期构建基准并公布评测结果

2026 年 10 月 29 日，Replit 在 X 上发布 ViBench 2.0，这是一个面向长周期软件构建的基准。智能体从空项目开始，按功能逐个构建完整产品，且无法提前看到后续步骤，用于检验模型维持长程任务的能力。

Replit 随即公布了 ViBench 2.0 的构建评测结果：三个模型的构建通过率超过 40%，其他模型均不足 20%。其中 GPT-6.1 Sol 以 65% 的通过率领先 GPT-6 Astra 的 60%，单次构建成本分别约为 12 美元和 90 美元；Opus 5.5 通过率为 49%，构建耗时约 70 分钟，比 Sol 快约 2.5 倍，主要受 API 供应商速度影响。Replit 还给出新模型分数更高的一组数字：在 8 个公开产品上，pass@1 从 GPT-5.4 的 0% 升至 GPT-6 Sol 的 31% 和 GPT-6.1 Sol 的 53%；GPT-6.1 Terra 以约 Sol 一半的成本通过 47%。

关于失败模式，Replit 称每个功能单独运行都正常，合在一起却会出问题。约 3/4 顶级模型的失败构建能通过每一项单功能检查，失败发生在功能交汇处。例如代码托管中草稿 PR 不显示合并冲突，文档编辑器无法对单词进行评论。目前事件停留在 Replit 公布基准、评测结果与失败分析的阶段，尚无第三方复现或独立验证的报道。