評測告別玩具題：Fullstack Code Arena 要 agent 真的把應用「出貨」

Code Arena 發布的 Fullstack Code Arena 把 coding 評測的標準往上抬了一級：受測的 agent 要面對的是包含資料庫、API 金鑰管理、實際部署與結構化工具呼叫的全端任務，通過標準從「畫面像不像」變成「應用能不能真的跑起來、上得了線」。過去主流的前端 mockup 評測，模型早就刷到分數貼頂，鑑別度所剩無幾。

路線轉向背後有整個社群的共識在推：多位實務開發者近期反覆強調環境式評測（environment-based evals）優於靜態提示題，因為前緣模型的原始編碼能力已經好到「會不會寫元件」失去鑑別意義，真正的瓶頸移到了協調層——路由、可觀測性、記憶、多工具協作。工程生態也在往同方向增厚：LangChain 替異質編碼工具做了統一追蹤，LlamaIndex 則示範把文件解析變成 agent 原生能力而非前處理步驟。

對照本站第 24 期報過的「coding benchmark 本身可能不可靠」研究，兩條新聞拼起來是同一個訊號：舊一代評測的信任危機與新一代評測的補位同時發生。往後看模型發布的宣傳數字，先問一句測的是玩具題還是全端出貨，結論可能差很遠。