private-benchmark

Ramp发布了自己私有的SWE-Bench基准测试，该测试基于真实的工程问题构建，使其能够在自身的金融软件生态系统中评估编码模型。

一位开发者分享了一个个人开源基准测试运行器，用于在真实、混乱的工作流程中测试 OpenClaw 代理。该工具允许用户定义私有评估案例，在实际工作空间中运行代理，并生成报告，旨在提供比公共基准测试更相关的信号。