02 · 开发者入驻待建设
Benchmark 待建设
相关评测尚未发布。完成建设与验证后，再公开能力结果。
Benchmark 发布进度
当前页面只呈现两项与开发者接入直接相关的 Benchmark。已产生的数据明确展示；尚未启动的评测不虚构分数和排名。
PIBench 能帮你了解什么？
从支付集成表现、Skill 使用效果和运行费用三个方面，为选择和使用 Coding Agent 提供参考。
哪个模型更擅长支付接入？
在相同 Coding Agent 和官方 Skill 条件下，对比不同模型在基础接入与风险加固任务中的表现。
官方 Skill 能带来多大提升？
在相同模型、项目和任务下，对比使用与未使用官方 Skill 的评测结果。
完成任务需要多少运行费用？
结合任务得分与模型调用费用，对比不同模型及 Skill 使用条件下的成本与效果。
官方 Skill 提升完成度
综合范围 · 平均提升
+9.87 个百分点
126 组成对实验结果
113 组提升、8 组下降、5 组基本不变。
实验控制
只改变是否使用官方 Skill
实验保持模型、Coding Agent、项目、任务和评测环境一致，更清楚地观察官方 Skill 带来的变化。
113 / 126对照组提升
+11.65ppBasic基础接入
+8.09ppAdvanced 风险加固
支付集成排行榜
默认按使用官方 Skill 后的完成度排序，并展示 No Skill 基线与 Skill 提升。
质量已发布
综合完成度、Basic基础接入、Advanced 风险加固，以及九类产品任务通过情况。
成本已发布
每次任务运行费用、No Skill 价格基线、费用变化和对应的支付集成完成度。
任务范围 综合 · 18 个任务 9 个 Basic + 9 个 Advanced，两类能力各占 50%。
先看实际价格，再看 Skill 带来的效果 综合范围内同模型、同任务成对比较；成本变化要与完成度变化一起看。
7 / 7 完成度提升 2 / 7 费用下降
公开排名规则
综合完成度榜按安装官方 Skill 后的完成度降序，同分优先 Advanced；Skill 提升榜按提升幅度降序；成本榜按使用 Skill 后的每次任务运行费用升序，同价时按完成度降序。
用官方 Skill 接入真实项目
按业务场景选择对应 Skill，再让 Coding Agent 完成接入、沙箱验证与上线准备。
通过 npx -y @alipay/alipay-aipay@latest install 安装支付宝 AI 付 Skill，加载 alipay-aipay 技能，根据我的项目类型集成网页或 APP 支付，完成沙箱测试，并完成签约入驻 PIBench 分数与成本如何产生？
PIBench 不只读取 Agent 的回答，而是修改真实项目，再用自动化执行结果与 LLM-assisted assessment 共同判定，并按统一 Token 价格快照计算运行费用。
以真实项目运行结果判定
评测从代码结构、单元测试、集成测试、端到端流程和支付领域规则五个层面展开。Basic 关注能否跑通基础支付闭环；Advanced 关注验签、幂等、异常状态处理和业务状态一致性等风险防护能力
静态测试权重 1
单元测试权重 1
集成测试权重 2
端到端测试权重 2
LLM-assisted assessment权重 1
