概念
用于评估编程模型性能的基准测试集。
已跟踪 5 条高相关材料
最近变化
2026-06-10 · North Mini Code 使用 MoE 架构，参数规模为 30B 和 3B，每 token 激活 8 个专家。
为什么值得关注
SWE-Bench 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。
When AI Builds Itself: Our progress toward recursive self-improvement
Hacker News Best · 9.2 分
AI递归自我改进正加速到来，Anthropic内部数据显示工程师代码产出提升8倍，模型可靠任务时长每4个月翻倍，预计2027年可处理周级任务。
Cohere 发布首个开源编程模型「North Mini Code」 小参数、高效率、专做 Agent 编程 参数：MoE 架构(30B, 3B)，128专家，每 token 激活 8 个 上下文：...
meng shao(@shao__meng) · 8.5 分
Cohere 发布开源编程模型 North Mini Code，采用 MoE 架构，专为 Agent 编程优化，性能接近大模型。
SWE-Bench style grading has been the standard for years now - you ask the agent to solve an issue an...
Scott Wu(@ScottWu46) · 8.5 分
FrontierCode 是一种新的代码评估基准，通过多维度评价模型生成代码的质量，显著减少误判并提升评估标准。
已收录 5 条与 SWE-Bench 相关的内容，按评分排序。
Recursive self-improvement is accelerating; Anthropic data shows an 8x increase in engineer code output and AI reliable task duration doubling every 4 months, projecting week-long task capability by 2027.
入选理由：Anthropic工程师季度代码产出较2021-2025年均值提升8倍，AI已实质性加速研发。
Cohere 发布开源编程模型 North Mini Code，采用 MoE 架构，专为 Agent 编程优化，性能接近大模型。
入选理由：North Mini Code 使用 MoE 架构，参数规模为 30B 和 3B，每 token 激活 8 个专家。
FrontierCode 是一种新的代码评估基准，通过多维度评价模型生成代码的质量，显著减少误判并提升评估标准。
入选理由：FrontierCode 评估标准比传统单元测试更全面，涵盖代码风格、可维护性等维度。
While LLMs achieve high functional pass rates (e.g., Gemini 3.1 Pro at 84.17%), Sonar’s evaluation of 4,444 Java tasks reveals critical maintainability and security flaws—614 bugs per million lines, verbose code, and high cyclomatic complexity.
入选理由：Gemini 3.1 Pro在SWE Bench测试中功能通过率达84.17%，但生成代码冗长（307,000行）且复杂度高（圈复杂度234）。
AI系统即将实现自我构建，预计到2028年可能实现无人参与的AI研发。
入选理由：无人参与的AI研发可能在2028年前实现，概率超60%
