SWE-bench Verified编程

OpenHands 框架, temperature=0.7, top_p=0.95, max_new_tokens=16384, 200K 上下文SWE-bench Verified 由 OpenAI 与普林斯顿团队合作推出，是经专业软件工程师人工验证的 500 个实例子集，排除了原版 SWE-bench 中问题描述模糊或测试不合理的样本。模型需根据 GitHub issue 修复代码，是衡量 AI 软件工程能力的行业标准基准。

排行数据源

#模型得分

1

Claude Opus 4.8Anthropic

88.6%

2

Claude Opus 4.7Anthropic

87.6%

3

GPT-5.5OpenAI

84.4%

4

GLM-5.2智谱AI

84.2%

5

Claude Opus 4.5Anthropic

80.9%

6

Claude Opus 4.6Anthropic

80.8%

7

Gemini 3.1 ProGoogle

80.6%

8

DeepSeek-V4-Pro深度求索

80.6%

9

MiniMax M3MiniMax

80.5%

10

Qwen3.7-Max阿里巴巴

80.4%

共 63 个模型

返回基准目录