Senior SWE-Bench：評估智慧體是否具備高階工程師能力的開源基準測試

Senior SWE-Bench是一個新的開源基準測試，旨在評估AI智慧體像高階工程師一樣處理未充分指定的任務、進行執行時除錯以及提供優雅解決方案的能力。該基準包含50個公開和50個私有任務，涵蓋多種程式語言和棧，結果顯示頂尖模型在高階別任務上仍有超過75%的失敗率。