Stripe 发布基准测试，评估 AI 代理能否完成真实 Stripe 集成

Stripe 构建 Stripe integration benchmark，评估 AI 代理能否端到端完成真实的 Stripe 集成任务。基准包含 11 个环境，覆盖后端、全栈和 gym 练习；Claude Opus 4.5 在 4 项全栈任务中的平均得分为 92%，OpenAI GPT-5.2 在 2 组 gym 题中的平均得分为 73%。