ParetoBench 开源编码智能体评测框架

ParetoBench 是一个面向编码智能体的开源评测工具，通过共享任务、检查器、运行器和统计方法，对比不同框架及模型的正确率、成本和时间。它提供 Harness 与 Model 两类基准、20 个短任务和 11 个长任务，支持 Bootstrap 置信区间与 Pareto 前沿判定，仅依赖 Python 3.11+ 标准库并采用 MIT 许可证。