programbench

Opus 4.8 卡的一项研究表明，虽然多智能体系统在 ProgramBench 上并未取得更好的结果，但它们达到中等解决方案的速度提升了一倍。

GPT5.5在困难的ProgramBench SWE基准测试中首次实现求解，显著优于Opus 4.7。