@jyangballin: 今天发布 SWE-bench Multimodal v2.0，包含480个任务，编码代理需要解释视觉资产如截图，…
摘要
SWE-bench Multimodal v2.0 已发布，提供480个任务，编码代理需要解释如截图和图表的视觉资产，以诊断和修复代码仓库中的错误。
今天发布 SWE-bench Multimodal v2.0
480个任务，编码代理需要解释视觉资产如截图、图表、录像，以诊断和修复代码仓库中的错误。 https://t.co/tEvvRFzwCr
查看缓存全文
缓存时间: 2026/09/03 18:11
今日发布 SWE-bench 多模态 v2.0 版本
包含480项任务，编程智能体需要解读截图、图表、录屏等视觉资源，诊断并修复代码仓库中的缺陷。https://t.co/tEvvRFzwCr
相似文章
SWE-Bench Pro V2（阅读时间9分钟）
SWE-Bench Pro V2是一个更新的基准测试，用于在软件工程中评估AI代理，包含来自11个代码库的642个任务，具有改进的评估协议和污染控制。
SWE-bench Science：编码代理能否解决科学工程任务？
SWE-bench Science 引入了一个仓库级基准，用于评估编码代理在科学软件修复任务中的表现，揭示了失败机制和科学指导的混合效应。
@joabaum：SWE-chat v2 来了！最大的来自真实用户的野外编码智能体交互数据集变得更大……
SWE-chat v2 已发布，扩展至涵盖 18K 会话的 230K 条提示词，成为最大的来自真实用户的野外编码智能体交互数据集。团队将在 COLM 上进行报告，并邀请社区探索 v2 所能带来的新可能。
WideSWE: 编码代理能否协调跨仓库的更改？
论文介绍了WideSWE，这是一个用于评估编码代理在跨仓库任务上的基准，基于120个真实世界任务，表明代理的成功率各异，联合执行可以提升性能。
@_akhaliq: SWE-Bench ProMax——大规模多语言代码重构的智能体基准测试 论文：https://huggingface.co/papers/…
介绍了SWE-Bench ProMax，一个包含7种编程语言、170个实例的多语言代码重构基准，用于评估AI编程智能体。前沿模型仅达到41.2%的解决率，证实这是一个具有挑战性且尚未饱和的基准。