DoGBench: Bộ chuẩn đánh giá sinh tạo tài liệu hướng người dùng đầu tiên. Không model nào đạt >50%

DoGBench đánh giá xem các agent có nhận biết khi nào tài liệu phần mềm cần cập nhật và tạo ra các bản vá hữu ích, sử dụng các rubric được điều chỉnh cùng các nhà duy trì dự án.