DeepSWE：基於原創、長期工程任務的編碼智能體評測

DeepSWE是一個新的基準測試，用於評估AI編碼智能體在全新、複雜的軟件工程任務上的表現。它避免了數據污染，覆蓋了多樣化的代碼庫，需要大量代碼修改，並使用手工編寫的驗證器。領先模型表現差異顯著，GPT-5.5以70%的準確率位居榜首。