Hy3 基准测试综述：从 SWE-Bench Pro 到 312 个真实工作流任务
摘要
基准测试综述，涵盖 SWE-Bench Pro 和 312 个真实工作流任务，可能用于评估人工智能在软件工程挑战中的表现。
暂无内容
相似文章
Ramp SWE-Bench（3分钟阅读）
Ramp 构建了一个私有基准，包含80个生产后端任务，用于评估AI编程代理生成的、可直接评审的补丁，揭示了准确性、延迟和成本之间的权衡，同时避免了公共基准的污染。
新基准测试发布
一个新基准测试已发布，可能用于评估AI或软件性能。
SWE-rebench 排行榜更新：GLM-5.2、Qwen3.6-27B、Qwen3.6-35B-A3B、Gemma 4 31B 等新模型 + 改进的 UI
SWE-rebench 排行榜已更新，新增了 GLM-5.2、Qwen3.6、Gemma 4 31B 等模型，并改进了 UI，展示了软件工程任务上的性能排名。
Senior SWE Bench：一个专注于现实未充分指定功能任务的新基准测试
Senior SWE-Bench 是一个新的开源基准测试，旨在评估 AI 智能体在现实、未充分指定的软件工程任务上的表现，强调意图对齐和代码质量等技能，而非过于详细的规范。
CursorBench 3.1
CursorBench 3.1 引入了专注于代码库理解、缺陷查找、规划和代码审查的新基准任务，并展示了各种AI模型的更新得分和成本比较。