SWE-Bench Pro V2重磅发布：GPT-5与Claude Opus 4.1得分仅约23%，代码能力评测难度陡增

SWE-Bench Pro V2基准正式发布，共包含来自11个代码仓库的642项任务。该版本修正了此前任务中的错误，并优化了评估流程，使评测更贴近真实软件工程场景。结果显示，AI模型在该基准上的得分普遍下降，OpenAI GPT-5与C...

Read More