按标签查看文章: swe-bench

GLM-5.1 在 SWE-Bench Pro 上领先：58.4%

来自 Z.ai 的 GLM-5.1 在 SWE-Bench Pro 上超越 GPT-5.4 和 Claude。8 小时内组装 Linux 桌面，在 VectorDBBench 上 x6。权重在 HuggingFace 上。测试长运行任务。

Qwen3.6-Plus：代理编程和多模态

来自阿里巴巴的 Qwen3.6-Plus 在 SWE-bench 上的编码基准中超越竞争对手，支持 1M 令牌和多模态。API 访问、基准测试、集成——面向开发者。探索详情。

Claude Code 退化：推理深度 -73%

对 6852 个 Claude Code 会话的分析：思考深度下降 73%，成本增加 ×122，盲目编辑 33%。针对中/高级开发者的变通方法和指标。在您自己的任务上检查。

14 个 LLM 基准测试：分析与批判

对 SWE-bench、Terminal-Bench、τ² 和其他 LLM 测试的详细分析。了解弱点以及与开发任务的相关性。有意识地选择模型。