Benchmark-tolmács · ellenőrizve 26 napja

Mit mond valójában egy AI-pontszám?

Egy magas szám önmagában nem bizonyítja, hogy a modell jobb lesz neked. Megmutatjuk, mit mér a teszt, mit hagy ki, mennyire friss, szivároghatott-e a tesztadat, és mennyi köze van a hétköznapi használathoz.

Kódolás Korosodó

SWE-bench Verified

Valódi GitHub-hibajegyek alapján méri, hogy egy kódoló ügynök képes-e működő javítást készíteni meglévő Python-projektekben.

Adatszivárgás
Magas kockázat
Hétköznapi jel
Részleges kapcsolat