标签
小米推出MiMo-V2.5-Pro，在SWE-Bench Pro得分73.7（接近Claude Opus 4.6的77.1），token成本比美国前沿模型低40-60%。
开源模型 Kimi K2.6 在 SWE-Bench 上超越 Opus 4.6，支持 12+ 小时自主编码会话，工具调用超 4,000 次。
OpenAI宣布将不再报告SWE-bench Verified分数，理由是两个关键问题：59.4%的失败问题存在有缺陷的测试用例，这些用例拒绝了正确的解决方案；此外，前沿模型在训练过程中已经见过基准测试问题，使得改进更多地反映了训练数据的暴露而非真实能力提升。
Anthropic 升级后的 Claude 3.5 Sonnet 在 SWE-bench Verified 基准测试中达到了 49% 的全新最优成绩，展现了在自主软件工程任务方面的显著能力。