已验证75% 置信事实精确时间
代码生成领域的模型评估如HumanEval、SWE-bench格外强调功能正确性而非流畅度
3
来源数
75%
置信度
长期有效
时效性
2026/7/12
首次发现
来源
GPT-5.6 Sol对决Grok 4.5：同是$20订阅，哪个更值？
redditr/cursor2026/7/10
相关事实
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HumanEval79% 相似待验证SWE-bench 的分数被认为比 HumanEval 等传统代码生成基准更能反映智能体在生产环境中的实际能力77% 相似已验证代码大语言模型采用HumanEval、MBPP等可执行基准评估，即直接运行生成代码并检验输出是否正确77% 相似待验证传统代码评测基准（如HumanEval、MBPP）主要测试模型在孤立函数级别的生成准确率76% 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76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/489043API
curl https://kongchang.com/api/v1/knowledge/claims/489043MCP
get_claim(id=489043)