@ArizePhoenix: 结果：在内部Code Bench上相比5.2提升了50%，Terminal-Bench 3.0从4.6提升到28.3，DeepSWE v1.1 从…
摘要
DeepSWE v1.1在内部Code Bench上提升了50%，并在Terminal-Bench 3.0和Agents' Last Exam上取得了新的SOTA成绩，同时新兴的网络能力发展超出预期。
结果：在内部Code Bench上相比5.2提升了50%，Terminal-Bench 3.0从4.6提升到28.3，DeepSWE v1.1从46.2提升到66.9，并在Terminal-Bench 3.0和Agents' Last Exam上达到开源权重SOTA。网络能力发展超出预期。
相似文章
@ArizePhoenix：在Terminal-Bench 4.0上达到55.8%（较Fable 5的42.0%提升），在Terminal-Bench-Science上达到52.6%（较24.7%提升），在…达到65.0%
ArizePhoenix在Terminal-Bench 4.0和Humanity's Last Exam等基准测试中表现出显著的性能提升，较之前的版本如Fable 5有显著进步。
@VictorKaiWang1：在 Terminal Bench 2.1 上达到 95.3%，DeepSeek V4 Flash + StateM，在 TB2.1 上为 88.8%
研究人员使用 DeepSeek V4 Flash 和 StateM 在 Terminal-Bench 2.1 上达到了 95.3% 的准确率，匹配了 GPT-5.6 Sol Max 的性能，并探索了超越模型扩展的智能体改进。
有人对新DeepSWE进行了审计，结果不太好看
DeepSWE是一个新的基准测试，用于评估AI编程代理在来自活跃开源仓库的真实软件工程任务上的表现，包含113个任务，涵盖TypeScript、Go、Python、JavaScript和Rust，提供隔离环境和基于程序的验证器。
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。
@cline：DeepSeek 一小时前悄悄更新了其更新日志，带来了新的 V4-Flash 升级。其新的 Terminal-Bench 分数为 82.…
DeepSeek 悄悄更新了其更新日志，带来了 V4-Flash 升级，将其 Terminal-Bench 分数提升至 82.7，比 4 月预览版提高了 25.8 分。目前仅通过 API 提供，开源权重即将发布。