swe-benchmark

Grok 4.5 配合 Grok Build 在 SWE-Atlas-QnA 基准测试中以 84 分获得第一名，与 GPT-5.6 Codex 持平，并超越其他编码设置。

该文章认为，将对话记录记忆下来并不能为AI代理在软件工程任务中带来性能提升，反而可能因浪费令牌而损害性能，因为重要信息已经存在于代码工件和文档中。

Google 推出了 Gemini 3.5 Flash (Low)，这是一种新模型变体，在 SWE 任务上比旧版 Gemini 3 Flash (High) 表现更优，同时相比 Medium 版本使用的 token 减少了约 45%。他们还重置了所有付费计划的配额。

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。