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 支持的三个决策
榜单不只给一个分数，而是把支付集成完成度、Skill 影响和任务成本放进同一套可比较口径。
选哪套完整配置
比较模型 × Coding Agent × 官方 Skill 的完整配置，而不是只看模型。
Skill 是否值得安装
同模型、同项目、同任务成对对照，只改变是否使用官方 Skill。
一次任务运行要花多少
展示真实 API 费用、No Skill 价格基线，以及这笔费用对应的支付集成完成度。
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
