SWE-bench Science 发布:最强智能体通过率也不到 50%
_akhaliq · x · 2026-08-21
新基准 SWE-bench Science 面向科学软件工程,包含 119 个任务,覆盖 98 个代码仓库和 20 个领域。结果显示即便是最强的智能体——使用 Opus-5 的 Claude Code——pass@1 也不到 50%,说明科学计算代码对现有编码智能体仍是明显短板。
所属事件:SWE-bench Science 发布，最强智能体通过率不足 50%(3 条相关)→
「编程与Agent」频道最新
- Meta 开源 Muse Spark Open:SGLang 一天支持,NVFP4 内核提速近 4 倍 — BanghuaZ · 2026-10-16
- Prompt 里写 load-bearing 可让 Opus 5.5 全力输出不藏拙 — zacharynado · 2026-10-16
- You.com 携手 Paperclip，给企业所有 agent 接上实时网络 — PolarBearby · 2026-10-16
- 逐条核算 Grok Bot 账单：五天烧穿 $20 到 $200，长任务占 52% — jonathanmalkin · 2026-10-16
- 开发者：GitHub 被严重低估了——它是免费的分布式数据存储 — blelbach · 2026-10-16
- Claude Desktop 不支持 MCP sampling,作者演示绕过限制的双向方案 — wuj · 2026-10-16