Gauntlet 7.2
LeanZero开发的智能体编码基准，基于支付类应用构建任务，用于评估AI模型的agentic编程能力
时间轴 (近 90 天)
该数据集目前包含 94 行记录，每行对应一个模型在一个榜单上的表现，覆盖 Gauntlet 7.2、Forge 1.0 和 Forge 2.0 三个榜单。
Gauntlet 7.2 基准要求模型构建一个支付应用；Forge 1.0 和 Forge 2.0 要求构建或升级一个面向 Jira 的 Atlassian Forge 应用。
Gauntlet 和 Forge 1.0 榜单的每行数据仅有单次运行，运行间噪声真实存在，作者建议分数只差百分之几时不应过度解读。
该数据集成本字段不完整：Gauntlet 仅一行记录了成本；Forge 1.0 的数字是下界；Forge 2.0 的大部分数字完整。
DeepSeek-V4.1-Flash-1017 在 DeepSWE v1.1 上得分 77.0，超过 Claude Opus 5 的 74.0。
在 Gauntlet 7.2 基准上，Haiku 得分 0.661，Luna 得分 0.4797
全部知识事实 (4)
该数据集目前包含 94 行记录，每行对应一个模型在一个榜单上的表现，覆盖 Gauntlet 7.2、Forge 1.0 和 Forge 2.0 三个榜单。
50%待验证Gauntlet 7.2 基准要求模型构建一个支付应用；Forge 1.0 和 Forge 2.0 要求构建或升级一个面向 Jira 的 Atlassian Forge 应用。
50%待验证Gauntlet 和 Forge 1.0 榜单的每行数据仅有单次运行，运行间噪声真实存在，作者建议分数只差百分之几时不应过度解读。
50%待验证该数据集成本字段不完整：Gauntlet 仅一行记录了成本；Forge 1.0 的数字是下界；Forge 2.0 的大部分数字完整。
50%