SWE-Bench ProMax：大规模多语言代码重构智能体基准测试
随着AI编码智能体承担越来越复杂的长期软件工程任务，现有基准测试正快速饱和并受到严格审查：近期审计发现近60%的SWE-bench Verified未解决实例存在测试缺陷——或过于狭窄拒绝正确方案，或过于宽泛检查未声明需求，且前沿模型可能从训练数据中逐字复现标准补丁。代码重构需要跨多文件的行为保持协调变更。
查看原文解读生成中或暂时不可用，请稍后刷新重试，或直接查看原文。