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。
微软发布MAI-Thinking-1等7款模型，其中推理模型SWE-Bench Pro达53%媲美Opus 4.6，转录模型MAI-Transcribe-1.5支持43种语言且速度提升5倍。
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 推出 M3 开源模型，首次融合编码、代理与长上下文能力，在 SWE-Bench Pro 等基准上达 59%+，支持 1M 上下文窗口，推动开源大模型向多能型前沿迈进。
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 宣布推出七款全新 MAI 模型，包括 MAI-Thinking-1、MAI-Image-2.5 和 MAI-Code-1-Flash，这些模型在推理、图像编辑和代码生成等领域表现出色。
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 是首个开源权重模型，同时支持文本、视觉、文档和代码任务，在 SWE-Bench Pro 等基准测试中表现优异，上下文长度达 1M tokens。
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。
MiniMax M3 模型已通过 Ollama Cloud 发布，支持 US 部署与零数据保留，专为编码和代理任务设计，在 SWE-Bench Pro 基准中达 59%+ 正确率，结合稀疏注意力实现 1M 上下文长度。
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 发布的基准测试显示，其 AI 编程助手 Auggie 在使用 Opus 4.7 模型时，以 67.4% 的通过率略高于 Claude Code 的 66.3%，同时成本降低约 33%，这主要归功于其 Context Engine 语义索引技术实现的精准检索和 token 效率优化。
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 推出新一代旗舰模型 GLM-5.1，代码生成能力显著提升。
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)
