SWE-bench Multimodal 排行榜发布,Claude Opus 5.5 居首

普林斯顿研究员 Ofir Press 团队开源了多模态编码评测基准 SWE-bench Multimodal,这是 SWE-bench 更难的进阶版本,聚焦地图渲染错误等视觉类软件 bug,包含截图类 JavaScript issue,用于测试 AI 系统能否泛化到视觉软件工程场景。Vals AI 同步上线排行榜,Claude Opus 5.5 以 70.21% 的成绩位居榜首。

2026-10-15 ~ 2026-10-15 · 4 条相关

• SWE-bench Multimodal 排行榜上线：Claude Opus 5.5 以 70.21% 居首 — OfirPress · 2026-10-15
• ValsAI 上线 SWE-bench Multimodal 排行榜,聚焦视觉类软件 bug — OfirPress · 2026-10-15
• Ofir Press 团队开源多模态编码评测基准,探索能力边界前沿 — OfirPress · 2026-10-15

另有 1 条近重复转述:OfirPress