Datacurve 是一家专注于 AI 评估的初创公司，近期因发布新的编程基准测试 DeepSWE 而受到关注。DeepSWE 被设计为比现有的 SWE-Bench Pro 更难、更贴近真实世界开发场景，旨在更准确地衡量 AI 编程智能体的实际能力。
- 主要进展包括：
- Datacurve 正式发布 DeepSWE 基准测试，该测试包含更复杂的编程任务，模拟真实开发流程中的问题解决步骤，旨在减少数据污染并提高评估的信度与效度。(Datacurve 发布 DeepSWE：更难、更真实的编程基准测试)
- 在 Artificial Analysis 更新的编程智能体排行中，DeepSWE 取代了 SWE-Bench Pro 成为新的评估标准，而 Anthropic 的 Claude Fable 5（推测为 Claude Opus 4.8 变体）在该排行中登顶，显示出较强的编程能力。(Artificial Analysis 更新编程智能体排行：...)
- 与此同时，Anthropic 发布了 Claude Opus 4.8，公司估值达到 9650 亿美元，表明 AI 模型在编程等复杂任务上的竞争持续升温。(Anthropic 发布 Claude Opus 4.8...)
当前焦点在于 Datacurve 的 DeepSWE 能否成为行业认可的编程能力标尺，以及它如何影响 AI 模型的评估与开发方向。未来观察点：DeepSWE 是否会被更多机构采用，以及它能否有效甄别模型在真实软件工程任务中的表现差异。