已验证65% 置信事实精确时间
AI 编程领域最受认可的评测基准包括 HumanEval（测试从函数文档字符串生成正确实现）和 SWE-bench（在真实 GitHub 仓库中定位并修复实际 issue）
3
来源数
65%
置信度
长期有效
时效性
2026/7/9
首次发现
来源
GPT-5.6 Sol Ultra传闻解析：Codex编程能力将如何升级
hackernewshackernews2026/7/6
相关事实
待验证SWE-bench基准测试已成为评估AI Agent代码能力的行业标准，包含从真实GitHub仓库中提取的软件工程任务79% 相似待验证评估智能体编程能力的主流基准包括SWE-bench、SWE-bench Verified和HumanEval77% 相似待验证HumanEval、SWE-bench等代码评测基准的排名是评估执行型Agent底层模型选型的重要参考维度74% 相似已验证AI领域模型能力的可信评估依赖标准化基准测试，常见评测集包括MMLU、HumanEval、MATH、GPQA73% 相似已验证SWE-bench Verified由人工标注者筛除描述模糊或测试不稳定的样本，是业界权威的AI编程能力排行榜之一73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/361068API
curl https://kongchang.com/api/v1/knowledge/claims/361068MCP
get_claim(id=361068)