Senior SWE-Bench：评估智能体是否具备高级工程师能力的开源基准测试

Senior SWE-Bench是一个新的开源基准测试，旨在评估AI智能体像高级工程师一样处理未充分指定的任务、进行运行时调试以及提供优雅解决方案的能力。该基准包含50个公开和50个私有任务，涵盖多种编程语言和栈，结果显示顶尖模型在高级别任务上仍有超过75%的失败率。