Co-Design Bench 연구진은 실제 웹앱 수정 요청 가운데 재요청이나 되돌리기가 있었던 어려운 사례로 코딩 에이전트 10개 모델을 평가했습니다. GPT-6 Astra가 요구사항을 평균 약 70% 충족했지만 과제를 완전히 해결한 비율은 26.4%였습니다. 레이아웃과 상호작용 등 변경 유형이 늘면 성능이 낮아졌고, 같은 Qwen3.8-27B도 실행 환경에 따라 대규모 수정 점수가 75%와 56%로 갈렸습니다. 한 번의 고정 요청과 AI 심사에 기반한 평가이므로 모든 실제 작업의 실패율로 일반화할 수 없습니다.