AgentSWE基准评测编码智能体构建智能体能力

论文作者（Jiahao Wang 等）发布 AgentSWE 基准，评测编码智能体构建智能体的能力，覆盖智能体创建、生产代码编辑和面向可测量目标优化三个阶段，共 25 个任务。 任务设计为交付式而非考试式：构建者在少量示例上迭代，验收时用冻结提交在留出案例上测试。基于论文摘要，多种模型与运行框架的编码智能体均未能接近需求目标，作者称构建者演示与实际交付之间的差距是常态而非个别情况，常见失败包括过拟合示例、运行时缺失和无依据宣称完成。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。