#SWE-Bench
共 456 篇相关文章
·5 分钟
OpenAI弃用SWE-Bench Pro：AI编程评测的信任危机与未来走向
OpenAI宣布不再推荐SWE-Bench Pro作为AI编程评测基准，折射出数据污染、指标局限等深层问题。本文深入解析AI代码生成能力评测的信任危机成因，以及动态测试、质量评估等新一代评测范式的发展趋势。
阅读全文 →
·10 分钟
GPT-5 SWE-bench评测：GPT-5-mini性价比碾压Claude Sonnet 4
mini-SWE-agent团队对GPT-5系列在SWE-bench基准上的评测显示，GPT-5性能与Claude Sonnet 4持平，而GPT-5-mini以不到五分之一的成本仅损失约5个百分点性能，成为AI编程Agent的最佳性价比选择。
阅读全文 →
·10 分钟
SWE-bench Multilingual：多语言编程基准测试全面解析
深入解析SWE-bench Multilingual基准测试，涵盖9种编程语言、300个真实GitHub任务，了解其设计方法、语言分布、评估指标及对AI编程助手能力评估的重要意义。
阅读全文 →
·11 分钟
SWE-bench如何检测作弊：提交方案与标准答案的相似度分析
SWE-bench团队公开作弊检测方法，通过逐Hunk精确匹配分析提交方案与标准补丁的相似度。结果显示大多数模型精确匹配率仅2%-7%，但发现一个匹配率高达87%的异常案例。详解检测原理、分析结果及对AI基准测试的行业意义。
阅读全文 →
·10 分钟
DeepSWE基准测试深度解析：揭露SWE-Bench缺陷与真实编程能力排名
深度解析DeepSWE编程基准测试如何揭露SWE-Bench Pro的数据污染和作弊问题。GPT-5.5以70%通过率领先，开源模型差距明显。涵盖测试结果、成本对比与开发者实用建议。
阅读全文 →
产品体验·8 分钟
Rovo Agent：每天2000万免费Token，SWE-bench排名第一的AI编程CLI工具
Rovo Agent是Atlassian推出的AI编程CLI工具，每天免费提供2000万Claude 4 Sonnet Token，SWE-bench排名第一。本文详解其自适应记忆系统、安装教程及实战体验，对比Gemini CLI等竞品优势。
阅读全文 →
·6 分钟
GLM-5.3发布：后训练扩展如何重塑AI编程能力
Z.ai发布GLM-5.3大模型，通过大规模后训练扩展在同一底座上实现编程能力跃迁，在智能体编程任务上达到开源SOTA水平，并在漏洞发现与网络防御领域展现涌现能力。深度解析其技术路线与行业意义。
阅读全文 →
·11 分钟
ChatGPT市场份额一年缩水22点：AI竞争格局深度解读
ChatGPT在过去一年损失22个百分点的网络市场份额，Google Gemini、Claude、Perplexity等竞品快速崛起。本文深入分析份额下降的真实原因、数据解读误区及对OpenAI的战略影响。
阅读全文 →
·14 分钟
Meta Muse Glimmer 30B深度评测：视觉理解能力惊艳，本地部署门槛低
Meta Muse Glimmer 30B实测评测，296亿参数稠密模型采用Apache 2.0开源协议，视觉理解能力出色，支持128K上下文，24GB显存即可本地运行。详解基准测试、多模态识别表现与局限。
阅读全文 →
·9 分钟
与AI协作编程：为什么越来越像在带团队而非写代码
AI编程助手正在改变开发者的角色定位。本文探讨与AI协作编程如何从代码执行转变为任务管理，以及开发者需要培养哪些新的核心技能来适应这种工作范式转变。
阅读全文 →
·14 分钟
Cursor 入门指南：AI 原生编程工具核心功能与使用场景全解析
深入解析 Cursor 这款 AI 原生编程工具的核心特性，包括智能代码生成、上下文感知、多模型支持等功能，对比传统 IDE 的关键差异，帮助从零基础到资深开发者快速上手 AI 编程。
阅读全文 →
·10 分钟
Bullet编程智能体：比Claude Code快60%的AI编码工具深度解析
Bullet是一款主打速度的编程智能体，通过并行化处理、智能模型选择和定向代码搜索，实现比Claude Code和Codex快30%-60%的效率提升。SWE-bench得分95.8%位列前三，支持复用现有订阅和本地模型。
阅读全文 →
·7 分钟
Ollama Cloud GLM在OpenCode中频繁中断的原因与解决方案
开发者反馈Ollama Cloud调用GLM模型在OpenCode中频繁随机停止响应，本文分析流式超时、停止符误判等可能原因，并提供调整超时参数、拆分任务等实用解决方案。
阅读全文 →
·13 分钟
AI编程Harness之战：同模型慢4倍背后的真相
深度解析AI编程工具Harness之争：CloudCode、OpenCode、Pi等编程外壳在速度、Token消耗、模型自由度和成本上的全面对比，揭示同一模型为何性能差异达4倍。
阅读全文 →
·12 分钟
DeepSeek官方Agent精选库：5500+ Star背后的生态野心
DeepSeek官方开源awesome-deepseek-agent资源仓库，汇集Agent开发框架、工具链与应用案例，已获5500+Star。本文解读这份官方精选库的定位、收录内容及其对Agent开发者的实际价值。
阅读全文 →
·10 分钟
Gemini 3.7 Flash编程能力反超Opus 4.8？性价比碾压背后的真相
DeepSWE基准测试显示Gemini 3.7 Flash编程能力超越Opus 4.8，且成本仅为七分之一、速度快6倍。深入分析小模型逆袭现象及对开发者模型选择策略的实际启示。
阅读全文 →
·13 分钟
AI Agent内部构造解析：智能体如何思考决策与行动
深入剖析AI Agent的内部构造与工作原理，从感知-推理-行动闭环、工具调用、上下文管理到错误处理，揭示智能体的真实运作机制与工程挑战，帮助开发者理解Agent的能力边界。
阅读全文 →
·17 分钟
Muse-Glimmer-30B实测：24G显存跑出九维跑分76分的性价比之王
深度实测Meta开源Muse-Glimmer-30B模型，九大维度403道题综合均分76.04，工具调用90+分碾压同级。4bit量化几乎无损，24G显存轻松驱动，D-Flash加速3.1倍达233tokens/秒，是本地部署玩家的高性价比首选。
阅读全文 →
