概念
也叫：DeepSWE benchmark
长周期软件工程任务基准测试
最近变化
2026-07-22 · Laguna S2.1在Terminal-Bench 2.1得分70.2，超越5-25倍参数量的模型
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。
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
Strong results
Aravind Srinivas(@AravSrinivas) · 8.5 分
昨天又有一个新的 coding benchmark DeepSWE：https://t.co/3V65OaHScM 创新是无污染的任务，就是所有任务全新原创，从零编写，未基于现有 PR/Commi...
Viking(@vikingmute) · 8.5 分
已收录 7 篇与「DeepSWE」相关的 AI 资讯和分析。
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。
Claude Opus 4.8是Anthropic对4.7版的快速修正，重点提升对模糊指令的理解能力以回归4.6的“用户友好”风格；虽在官方基准测试中表现优于GPT-4.5，但真实世界工程基准DeepSWE显示GPT-4.5当前更胜一筹，且4.8尚未参与该测试。
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。
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 评测显示 Opus 4.8 性能优于 4.7，成本更低、效率更高，但远逊于 GPT-5.5；作者仍用更便宜的 4.6，因价格优势；并质疑 Benchmark 可信度，更信真实用户反馈。
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。
与「DeepSWE」经常一起出现的 AI 术语。
💡 想追踪「DeepSWE」的长期趋势？去 实体雷达 · DeepSWE 查看详细分析和跨材料问答。
