Tag
SWEeper-Bench 引入了一个包含200个任务的基准，这些任务来自200个广泛使用的开源Web应用的真实bug修复，用于评估编码agent能否在交互式软件中自主发现依赖多步交互才能暴露的缺陷。分析显示，即使是15个前沿agent中最好的也仅通过59.0%的任务，主要瓶颈在于识别bug行为本身。