RoadmapBench：评估跨版本升级中的长周期代理软件开发

代码代理已广泛应用于实际软件开发，但现有基准多关注单问题修复，无法捕捉真实工程规模下的长周期、多目标开发挑战。本文提出 RoadmapBench，包含基于 17 个开源仓库和 5 种语言的 115 个长周期编码任务。每个任务要求代理依据多目标路线图指令，将源代码升级至目标版本功能，平均涉及 51 个文件的 3700 行修改。对 13 个前沿模型的评估显示，最强模型仅解决 39.1% 的任务，表明长周期软件开发仍是未解难题。