为什么值得跟踪

同一模型在不同 Harness 下的分数差距,已经大于相邻模型之间的差距。

状态说明(产品化):进入生产流程,成本与可靠性可被度量

可核验证据

按日期倒序 · 每条附发布方与原文
  1. SWE-bench Pro 公开 Harness 敏感性对照SWE-bench
  2. Terminal-Bench 4.0 要求随结果提交脚手架配置Terminal-Bench

关联资讯

全部日报 →

关联模型

完整榜单 →
返回前沿专题