首页 / 评估 / SWE-bench Verified

SWE-bench Verified

Agent 决策 C Agent 与工具调用 0 个模型参评

真实 GitHub issue 修复，工程决策能力的标准基准。

真实 GitHub issue 修复，工程决策能力的标准基准。

评估集信息

所属套件: Agent 决策
分组: C Agent 与工具调用
决策类型: 补丁是否通过测试
样本量: 500 个 case
主指标: resolve 率
优化方向: 越高越好
参评模型: 0 个
数据许可证: 见官方页面

这个评估集测什么

真实 GitHub issue 修复，工程决策能力的标准基准。

在该评估集上的模型成绩（0 个）

暂无模型在该评估集上的公开成绩。