SWE-Marathon
PulseAugur coverage of SWE-Marathon — every cluster mentioning SWE-Marathon across labs, papers, and developer communities, ranked by signal.
- developed by Muse Wonder 95%
- instance of Meta Model API 90%
- instance of GLM-5.2 90%
- competes with GPT -6 Astra 70%
- competes with Claude (Opus 5.5 70%
- instance of Muse Wonder 70%
- used by Muse Wonder (Full) 70%
- competes with Meta Model API 70%
- used by Meta Model API 70%
- used by Muse Code 70%
- competes with GLM-5.2 70%
- competes with Muse Wonder 60%
3 天有情绪数据
-
Moonshot 的 Kimi K3.1 Pro 通过增强的训练后改进显示出重大进展
Moonshot 发布了 Kimi K3.1 Pro，这是其 Kimi K3 模型的更新版本，由于训练后改进的增强，在编码和幻觉基准测试中显示出显著的改进。虽然基础模型架构保持不变，但强化学习框架和推理系统得到了升级，导致人工智能分析智能指数的性能显著提升。然而，与同类产品相比，Kimi K3.1 Pro 速度明显较慢，并且每项任务生成的 token 更多，这使得其成本效益取决于具体的工作负载，并可能影响用户配额。
-
Moonshot AI 发布 Kimi K3.1 Pro，拥有 1M 上下文窗口和 2.8T 参数
Moonshot AI 推出了 Kimi K3.1 Pro，这是其 K3.1 系列中的一款新模型，拥有 2.8 万亿总参数，其中 1040 亿激活参数采用混合专家 (Mixture-of-Experts) 架构。该模型拥有 100 万 token 的上下文窗口，旨在在包括编码和代理任务在内的各种基准测试中与领先的专有模型竞争。虽然 Kimi K3.1 Pro 在编码方面表现强劲，尤其是在 SWE-Marathon 基准测试中超越了 C…
-
Meta 的 Muse Wonder 代理在 3D 任务失败和基准测试声明方面面临审查
Meta 新推出的 Muse Wonder 编码代理在一次 3D 编程测试中暴露出显著局限性后，引发了开发者社区的争议。尽管 Meta 的官方基准测试显示出强劲的性能，但一项要求该代理创建具有特定视觉效果的熔岩灯的社区测试却以失败告终，导致了关于基准测试过拟合的指控。Meta 的首席人工智能官 Alexandr Wang 承认该模型并未专门针对 3D 任务进行训练，但为其通用编码能力进行了辩护，同时承认空间推理是其已知的弱点。
-
Meta 的 Muse Wonder AI 模型发布，评价不一且存在信任担忧
Meta Superintelligence Labs 发布了其首批前沿级 AI 模型 Muse Wonder 和 Muse Wonder Full，在多项基准测试中取得了有竞争力的分数，包括在 Artificial Analysis Intelligence Index 中略微落后于 Claude Opus 5.5。尽管在编码和记忆任务等特定领域表现强劲，但这些模型在其他方面显示出弱点，并且在与 Muse AI 代理的集成方面面临严…
-
Meta发布用于代理的Muse Wonder AI模型
Meta发布了其新AI模型Muse Wonder和Muse Wonder Full，这些模型被描述为其迄今为止能力最强的模型，也是Muse Spark系列的后续产品。这些模型专为个人和工作AI代理设计，具有主动记忆（Active Memory）以保持上下文和主动专注（Active Focus）以完成目标导向的任务等高级功能。这些模型在代理任务、记忆和编码的基准测试中表现强劲，现已通过Meta Model API和Muse Code提供。
-
Meta 发布 Muse Wonder 模型，具备主动聚焦和记忆功能
Meta 推出了 Muse Wonder 和 Muse Wonder Full，这是其最新推出的、专为个人和专业代理任务设计的模型。这些模型具有用于上下文保留的“主动记忆”和“主动聚焦”功能，使它们能够通过尝试替代方法、克服障碍和适应新信息来追求具有挑战性的目标。该公司使用 FocusBench 和 SWE-Marathon 等基准来评估这些能力。文章还提供了一个实际示例，展示了如何使用 TypeScript 构建一个简化的“主动聚焦…
-
Meta 的 Muse Wonder AI 在编码基准测试中挑战 Anthropic 的 Opus 5.5
Meta 推出了 Muse Wonder，一款新的人工智能模型，在长代码任务方面与 Anthropic 的 Claude Opus 5.5 展开竞争。虽然 Meta 的内部基准测试显示 Muse Wonder 在 DeepSWE 和 SWE-Marathon 等领域优于 Opus 5.5，但一个独立指数给予 Opus 5.5 更高的整体智能得分。两款模型的定价结构相似，但 Meta 的官方文档强调，性能可能因配置和提示而异，建议在个人…
-
Meta 的 Muse Wonder AI 以 Opus 5.5 的价格发布，独立测试中落后 · 跟踪 6 个来源
Meta 推出了其新的前沿 AI 模型 Muse Wonder 和 Muse Wonder Full，专为代理任务设计。虽然 Meta 的内部基准测试显示 Muse Wonder Full 在性能上优于 Claude Opus 5.5 和 GPT-6 Astra 等竞争对手，但 Artificial Analysis 的独立测试将 Opus 5.5 略微排在前面。API 可访问的 Muse Wonder 定价与 Opus 5.5 完全…
-
DeepSWE Meta Muse 在 SWE-Marathon 基准测试中名列前茅，表现优于 Claude Opus 5.5 和 GPT-6 Astra
一个名为 DeepSWE Meta Muse 的新模型在 SWE-Marathon 基准测试中表现出卓越的性能，得分达到 57.5%。这一分数超过了 Claude Opus 5.5（得分为 46.3%）和 GPT-6 Astra（得分为 42.5%）。结果表明 DeepSWE Meta Muse 可能代表了软件工程任务中人工智能能力的一项重大进步。
-
Meta携Muse Wonder模型重返AI前沿
Meta发布了其新的前沿AI模型Muse Wonder和Muse Wonder Full，标志着其在AI研发领域的重要回归。这些模型在编码、长上下文推理和智能体任务方面展现了先进的能力，并具备如Active Memory和Active Focus等功能，旨在提高任务完成度和用户上下文保留能力。尽管基准测试显示其性能与Anthropic的Claude Opus 5.5和OpenAI的GPT-6 Astra等领先模型相当，但Meta的内部…
-
智谱AI的GLM-5.3展示了中国的人工智能进步，规避了美国限制
智谱AI发布了其新模型GLM-5.3，该模型在SWE-Marathon基准测试中的性能有了显著提升。这一进展表明中国在开发先进人工智能模型方面的能力，可能规避美国的API限制。该模型在CyberGym安全基准测试中的成功，凸显了在人工智能竞赛中向专门的国家安全应用转变的趋势。
-
Zhipu AI 发布 GLM-5.3，在编码和安全基准测试中表现出色
Zhipu AI 发布了其新模型 GLM-5.3，该模型专为编码和安全任务设计。该模型在基准测试中的性能显著提高，在 SWE-Marathon 上的得分翻了一番多，在 Terminal Bench 3.0 上的得分翻了五倍。GLM-5.3 在 CyberGym 基准测试中也取得了最高分。
-
xAI 发布 Grok 4.5，目标是程序员和办公室任务
xAI 推出了 Grok 4.5，这是其迄今为止最先进的模型，专为编程、代理任务和知识工作而设计。Grok 4.5 在 NVIDIA GB300 GPU 上使用 Cursor 进行训练，在编码基准测试中表现强劲，在 DeepSWE 1.0 上达到 62%，并在 SWE Marathon 测试中表现出色。该模型优先考虑速度和效率，以每秒 80 个 token 的速度处理，并且使用的 token 数量远少于 Opus 4.8，这反映在其具…
-
AI模型在马拉松式任务中挣扎，揭示基准测试局限性 · 跟踪到1个来源
新的基准测试揭示了AI模型在短期、单次会话任务上的表现与处理长达数小时操作的能力之间存在显著差距。虽然GLM-5.2和GPT-5.5等模型在SWE-bench等基准测试中表现出色，但在SWE-Marathon等需要持续数小时和数百万个token才能完成的任务上，它们的成功率急剧下降。这种差异凸显了当前基准测试可能无法准确反映现实世界代理的能力，而真正的挑战在于构建具有有效自我验证和恢复机制的强大系统，而不仅仅是关注模型权重。
-
智谱AI发布拥有100万上下文窗口的GLM-5.2，挑战顶级闭源模型
智谱AI发布了GLM-5.2，这是一个拥有100万token上下文窗口的744B参数混合专家模型，并采用MIT许可协议发布权重。该模型在BenchLM排行榜上名列前茅，并在编码基准测试中表现强劲，使其成为可与Claude Opus 4.8和GPT-5.5等闭源模型相媲美的领先开源选项。然而，文章强调，尽管扩展的上下文窗口功能强大，但如果管理不当，可能会导致API成本显著增加，并敦促开发人员优化token使用。
-
Z.ai发布GLM-5.2，为长上下文AI设定新的开源基准
Z.ai发布了GLM-5.2，一个具有100万token上下文窗口的开源语言模型，使其成为长时任务和编码基准的有力竞争者。该模型采用改进的架构，并引入了IndexShare以降低计算成本并增强推测解码。在各种编码和智能体基准测试中，GLM-5.2展示了与Anthropic的Opus系列和OpenAI的GPT-5.5等领先的专有模型相媲美的性能，成为同类产品中性能最佳的开源模型。