论文
别名：SWE-Bench
软件工程基准测试套件，被指出存在缺陷。
已跟踪 12 条高相关材料
最近变化
2026-07-09 · Grok 4.5是Cursor合作训练的首个非软件工程专用模型
为什么值得关注
SWE-Bench Pro 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。
[AINews] SpaceXAI launches Grok 4.5, first Opus-class model post Cursor acquisition
Latent Space · 8.5 分
SpaceXAI发布Grok 4.5，首个Cursor合作训练的Opus级模型，性能接近Opus但成本效率提升，专注编码与代理场景。
美团 LongCat 发布旗舰模型 LongCat-2.0
AI HOT 精选 · 8.5 分
美团LongCat发布LongCat-2.0，采用1.6T参数MoE架构，SWE-bench Pro得分59.5，接近闭源模型水平。
🎙️ How I AI: GLM-5.2 review & How Gusto built a new product line with Claude Code
Lenny's Newsletter · 8.5 分
GLM-5.2模型在代码生成任务中表现接近Claude Opus，且自托管模式提供了成本和控制优势。
已收录 12 条与 SWE-Bench Pro 相关的内容，按评分排序。
SpaceXAI发布Grok 4.5，首个Cursor合作训练的Opus级模型，性能接近Opus但成本效率提升，专注编码与代理场景。
入选理由：Grok 4.5是Cursor合作训练的首个非软件工程专用模型
美团LongCat发布LongCat-2.0，采用1.6T参数MoE架构，SWE-bench Pro得分59.5，接近闭源模型水平。
入选理由：LongCat-2.0采用1.6T参数MoE架构，约48B活跃参数，支持1M上下文窗口
GLM-5.2模型在代码生成任务中表现接近Claude Opus，且自托管模式提供了成本和控制优势。
入选理由：GLM-5.2在SWE Bench Pro测试中达到GPT-5.5水平，支持百万级上下文窗口。
Claude Fable 5在低档位下表现优于Opus 4.8，且在复杂任务中更省成本。
入选理由：Fable 5低档位下表现优于Opus 4.8
Claude Fable 5 在推理任务上表现卓越，但在文档解析任务上与 Gemini 3 Flash 相当，且成本高 10-15 倍。
入选理由：Claude Fable 5 在 SWE-Bench Pro 等推理任务中表现优异。
Microsoft released 7 MAI models; MAI-Thinking-1 hits 53% on SWE-Bench Pro matching Opus 4.6, while MAI-Transcribe-1.5 supports 43 languages with 5x speed boost.
入选理由：MAI-Thinking-1在SWE-Bench Pro得分53%，与Opus 4.6并列顶尖编码推理水平。
MiniMax introduces M3, the first open-weight model combining coding, agentic, and long-context capabilities, achieving 59%+ on benchmarks like SWE-Bench Pro with 1M context support, advancing open-source LLMs toward multi-capability frontiers.
入选理由：MiniMax M3 在 SWE-Bench Pro 基准测试中取得 59.0% 正确率，领先多数开源模型。
Mustafa Suleyman announces the launch of seven new MAI models, including MAI-Thinking-1, MAI-Image-2.5, and MAI-Code-1-Flash, which excel in reasoning, image editing, and code generation.
入选理由：MAI-Thinking-1 是一款拥有 35B 参数的 MoE 模型，在 AIME 2025 上达到 97% 的准确率，优于 Sonnet 4.6。
MiniMax M3 is the first open-weight model supporting text, vision, document, and code tasks, excelling in benchmarks like SWE-Bench Pro with 1M context length.
入选理由：MiniMax M3 在 SWE-Bench Pro 达到 59.0%，Terminal Bench 2.1 达 66.0%，是当前开源模型中编程能力最强之一。
The M3 model by MiniMax is now available on Ollama Cloud, deployed in the US with zero data retention, optimized for coding and agentic tasks. It achieves 59.0%+ on SWE-Bench Pro and supports up to 1M context length via sparse attention.
入选理由：M3 在 SWE-Bench Pro 基准中取得 59.0% 正确率，优于多数开源模型。
Augment Code's benchmark shows that its AI coding assistant Auggie achieves a slightly higher pass rate (67.4% vs 66.3%) than Claude Code using Opus 4.7 while costing approximately 33% less, primarily due to token efficiency from precise retrieval through its Context Engine semantic indexing technology.
入选理由：Auggie 在 Terminal Bench 2.0 上以 67.4% vs 66.3% 的通过率略胜 Claude Code，同时 token 使用量减少 32%，成本降低 33%
Ollama launches its next-generation flagship model GLM-5.1 with significantly improved code generation capabilities.
入选理由：GLM-5.1 是 Ollama 的新一代旗舰模型。
![[AINews] SpaceXAI launches Grok 4.5, first Opus-class model post Cursor acquisition](https://substackcdn.com/image/fetch/$s_!beuF!,w_1456,c_limit,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F3dad0acc-e1ba-4ce4-9196-4ea6e56633a0_1628x1726.png)
