DeepSWE 相关 AI 资讯 · AI 热点

7月11日

02:45

02:45

@koltregaskes@koltregaskes

GPT-5.6 Sol max 和 xhigh 在 DeepSWE 排行榜上超过了 Fable 5 xhigh 和 max。两者的平均成本更低，输出 token 更少、步骤更少。GPT-5.6 Tera max 得分与 Fable 几乎相同。这些结果表明 GPT-5.6 系列在软件工程任务上具有竞争力。

AI模型 GPT-5.6 DeepSWE Fable 5 代码生成

推荐理由：OpenAI 的 GPT-5.6 新变体在 DeepSWE 上干过了 Fable 5，还更便宜更快，值得关注。

7月9日

07:43

07:43

Geek@geekbb

xAI 发布了 Grok 4.5，定位为目前最强模型，专注于编程、Agent 任务与知识工作。该模型与 Cursor 联合训练，在 DeepSWE 1.0（pass@1）基准上得分 62.0%，低于 Fable max（66.1%）和 GPT 5.5 xhigh（64.31%），但高于 Opus 4.8 max（55.75%）和 Opus 4.7 max（40.12%）。Grok 4.5 在 Grok Build 和 Cursor 中限时免费提供。

AI模型 Grok 4.5 xAI Cursor DeepSWE 编程助手

推荐理由：xAI 发了新模型 Grok 4.5，编程和 Agent 能力很强，还跟 Cursor 联训，现在免费体验。

6月21日

15:25

15:25

@koltregaskes@koltregaskes

GLM-5.2 在 DeepSWE 编程基准上取得 44% 的得分，超过 Kimi-K2.7 Code，成为目前最强的开源模型。不过它的运行成本更高，且每次输出更多 tokens。与封闭模型相比，Claude Fable 5 以 70% 的得分领先，差距明显。

AI模型 GLM-5.2 Kimi-K2.7 DeepSWE 开源模型代码生成

推荐理由：智谱的 GLM-5.2 代码上刚赢了 Kimi 的 K2.7，但更贵输出也更多，离顶级闭源还有距离。

6月12日

15:09

15:09

官方账号Artificial Analysis@ArtificialAnlys

73°

Artificial Analysis 更新了其编程智能体指数，用 Datacurve 的 DeepSWE 基准测试取代了 SWE-Bench Pro。DeepSWE 从零编写任务，避免模型从公开 GitHub 问题或 PR 中记忆答案，解决了原基准可被游戏化的问题。更新后，Codex with GPT-5.5 (xhigh) 得分从 65 升至 76，超越 Claude Code with Opus 4.8 (max) 的 73 分；新发布的 Claude Fable 5 (max) 在 Claude Code 中以 77 分位居榜首。这一变化揭示了原基准对某些模型组合的偏差。

AI产品编程智能体基准测试 Claude Fable 5 GPT-5.5 DeepSWE

推荐理由：基准测试更新直接影响了主流编程智能体的排名，做 AI 编程工具选型或评估模型能力的开发者值得关注——Claude Fable 5 新登顶，Codex 也大幅提升，建议点开看具体得分和对比。

5月28日

12:23

12:23

Viking@vikingmute

DeepSWE 是一个全新的 coding benchmark，所有任务均为原创、从零编写，避免了模型预训练数据记忆污染。任务涵盖多种编程语言，复杂度接近真实世界，参考解决方案平均需修改 668 行代码。排行榜显示 GPT-5.5 xhigh 通过率最高，GPT-5.4 xhigh 第二，其他模型通过率较低。小米的模型表现意外不错，值得关注。

AI模型 coding benchmark DeepSWE GPT-5.5 小米模型评估

推荐理由：这个基准测试解决了现有 coding benchmark 数据污染问题，做 AI 编程模型评估的团队可以直接参考排行榜，小米模型的表现值得一试。