产品
别名：deep swe
专家级代码数据集
已跟踪 11 条高相关材料
最近变化
2026-08-08 · AI自信错误时用户跟随率高达80%，远高于正确时的92.7%
为什么值得关注
DeepSWE 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
Kimi K3 vs Claude Fable 5 on DeepSWE: Cost and Coding
Together AI Blog · 8.5 分
Kimi K3在DeepSWE基准测试中以1/3成本超越Claude Fable 5，多次尝试后性能反超，但后者可靠性更高。
You should probably go give @poolsideai a follow on Hugging Face. These folks are on a roll, releas...
Thomas Wolf(@Thom_Wolf) · 8.5 分
Poolside AI的Laguna S2.1是当前在本地运行的最佳编码模型之一，其在Terminal-Bench 2.1和DeepSWE基准测试中表现优异。
Introducing Gemini 3.6 Flash, 3.5 Flash-Lite, and 3.5 Flash Cyber
Google DeepMind Blog · 8.5 分
Google DeepMind 推出 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber，分别在效率、速度和网络安全应用方面有显著提升。
已收录 11 条与 DeepSWE 相关的内容，按评分排序。
Google DeepMind 推出 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber，分别在效率、速度和网络安全应用方面有显著提升。
入选理由：Gemini 3.6 Flash 相比 3.5 Flash 输出令牌减少 17%，部分基准测试提升达 65%。
Kimi K3在DeepSWE基准测试中以1/3成本超越Claude Fable 5，多次尝试后性能反超，但后者可靠性更高。
入选理由：Kimi K3单次任务成本仅4.65美元，为Claude Fable 5的1/3
Poolside AI的Laguna S2.1是当前在本地运行的最佳编码模型之一，其在Terminal-Bench 2.1和DeepSWE基准测试中表现优异。
入选理由：Laguna S2.1在Terminal-Bench 2.1得分70.2，超越5-25倍参数量的模型
Kimi K3在软件工程任务中性能与Claude Fable 5相当，但价格仅为后者35%。
入选理由：Kimi K3价格仅为Claude Fable 5的35%但性能相同
DeepSWE 是一个全新的编程基准测试，涵盖多种语言和真实世界复杂度，参考解决方案平均需要修改 668 行代码。
入选理由：DeepSWE 是一个全新的编程基准测试，涵盖多种语言和真实世界复杂度。
AI模型在达到高准确性后可能引发人类信任偏差，80%的用户会跟随其错误建议。
入选理由：AI自信错误时用户跟随率高达80%，远高于正确时的92.7%
Claude Opus 4.8 is Anthropic’s rapid revision of the controversial 4.7 model, prioritizing improved ambiguity handling to restore the user-friendly ‘vibes’ of 4.6; though it outperforms GPT-4.5 on official benchmarks, real-world engineering benchmark DeepSWE shows GPT-4.5 currently leads—and 4.8 hasn’t been tested yet.
入选理由：Opus 4.8通过增强歧义理解能力修正了4.7过度字面化的问题，目标是恢复4.6版本广受好评的‘vibes’体验。
AI Engineer World's Fair 2026的Agentic Engineering Track展示AI工程领域最新动态，涵盖代码生成、多智能体协作等方向，但缺乏技术细节。
入选理由：DeepSWE数据集由@shiqyy和Datacurve团队开发
GLM-5.2 在 DeepSWE 排名第一，但文章信息密度低，缺乏技术深度。
入选理由：GLM-5.2 在 DeepSWE 排名第一，pass@1 得分为 44%。
Fable在设计和创意任务中表现优异，但在软件工程任务中性价比不高。
入选理由：Fable在设计和创意任务中表现突出。
DeepSWE’s evaluation shows Opus 4.8 outperforms 4.7 in performance, cost, and efficiency, yet still lags far behind GPT-5.5; the author continues using cheaper 4.6 without deep testing of 4.8 or 5.5, and expresses skepticism toward benchmarks, preferring real user feedback from social media.
入选理由：Opus 4.8 性能强于 4.7，同时具备更低推理成本与更高效率，但未达 GPT-5.5 水平。
