DeepSWE 是一个新兴的编程基准测试，旨在评估 AI 模型在真实世界软件工程任务上的表现。它由 Datacurve 发布，包含 113 个任务，覆盖 5 种编程语言，难度较现有基准更高，更贴近实际开发场景。
- 近期主要进展：
- 基准发布与初步结果：DeepSWE 推出后，Claude Opus 4.8 在基准上得分 4.8（高于此前版本 4.7），领先于 Claude Code 约 10 个百分点。同时，GPT-5.5 表现领先，小米的模型也取得亮眼成绩。(DeepSWE 新基准发布：GPT-5.5 领先，小米模型表现亮眼；Datacurve 发布 DeepSWE：更难、更真实的编程基准测试)
- Claude Opus 4.8 登顶：Anthropic 发布的 Claude Opus 4.8 在 DeepSWE 上获得最高评分，被评价为效率与可靠性领先，同时成本更低。该模型的发布也使 Anthropic 估值达到 9650 亿美元。(Claude Opus 4.8 登顶 DeepSWE Bench，效率与可靠性领先；Anthropic 发布 Claude Opus 4.8)
- 模型对比与评价：有分析指出，Opus 4.8 相比前代提升明显，成本更低，但仍落后于 GPT-5.5，后者在 DeepSWE 上保持领先。(DeepSWE 评分：Opus 4.8 强于 4.7，成本更低，但仍落后 GPT5.5)
当前焦点 / 未来观察点：
DeepSWE 正成为衡量 AI 编程能力的重要新基准，其更贴近真实开发任务的设计促使模型厂商针对性优化。未来观察点包括：其他模型（如开源模型）在 DeepSWE 上的表现；该基准对实际软件开发效率的影响；以及随着任务扩展，模型是否能在代码生成、调试、重构等方面持续进步。