SWE-bench Science 发布，最强智能体通过率不足 50%

OpenMOSS-Team 发布新基准 SWE-bench Science，用于评测编码智能体解决科学软件工程任务的能力。该基准包含 119 个任务，来自 98 个 GitHub 仓库、覆盖 20 个领域。测试结果显示，即便是最强的智能体通过率也不到 50%，揭示了当前智能体在科学软件修复方面的明显短板。

2026-08-21 ~ 2026-08-23 · 3 条相关

• SWE-bench Science 发布：测评智能体修复科学软件能力 — OpenMOSS-Team · 2026-08-21
• SWE-bench Science 发布:最强智能体通过率也不到 50% — _akhaliq · 2026-08-21
• SWE-bench Science 发布，评测代码 Agent 解决科学软件工程任务能力 — geoffwolfe · 2026-08-23