待验证50% 置信事实精确时间

评估模型智能体能力的主流基准测试包括BFCL（Berkeley Function Calling Leaderboard）、AgentBench、SWE-Bench；编码能力评测集包括HumanEval、MBPP、LiveCodeBench

1

来源数

50%

置信度

长期有效

时效性

2026/8/18

首次发现

来源

三明治架构：企业级语音智能体的最佳落地方案

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HumanEval76% 相似已验证评估编程大模型的主流基准包括HumanEval、MBPP、SWE-bench和LiveCodeBench75% 相似待验证Berkeley Function-Calling Leaderboard（BFCL）是业界常用的工具调用能力评估基准之一73% 相似待验证HumanEval、MBPP、SWE-bench是AI编程评测领域的行业标准基准测试72% 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71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/771145

API

curl https://kongchang.com/api/v1/knowledge/claims/771145

MCP

get_claim(id=771145)