arXiv · cs.AI· Pujun Zheng, Zixin Shang, Shufan Jiang, Wenhui Tian, Dongsheng Zhu, Zerun Ma, Dingbo Yuan, Qi Zhang·· 5 小时前
SWE-Bench Pro Verified：面向软件工程 Agent 的可靠评测基准
SWE-Bench Pro Verified: A Reliable Benchmark for Software Engineering Agents
arXiv:2609.08149v3阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Pujun Zheng, Zixin Shang, Shufan Jiang, Wenhui Tian, Dongsheng Zhu, Zerun Ma, Dingbo Yuan, Qi Zhang
研究任务与主要进展
研究团队提出 SWE-Bench Pro Verified，通过防止标准答案和隐藏评测信息泄漏，并修订问题描述与测试范围不完善的任务，降低软件工程 Agent 基准评测的不可靠性。基于论文摘要，该基准上的评测显示部分模型表现明显低于此前结果，提示 SWE-Bench Pro 可能高估了 Agent 的实际软件工程能力。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org