SWE-sweep
PulseAugur coverage of SWE-sweep — every cluster mentioning SWE-sweep across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
Gemini 4 采用 Neon 架构在 SWE-sweep 基准测试中取得显著进展
谷歌的 Gemini 4 模型集成了 Neon 的架构,在推理能力方面取得了显著的改进。通过利用并行代理和更新的 harness 系统,Gemini 4 在 SWE-sweep 基准测试中实现了性能飞跃,成功率从 12.8% 提高到 39.0%。这一进展凸显了多级推理和代理协调在复杂任务中的有效性。
-
Google DeepMind 发布 Gemini 4 Carbon 用于网络安全和编码
Google DeepMind 推出了 Gemini 4 Carbon,这是一个专为高级网络安全防御和复杂编码任务设计的新前沿模型。据报道,该模型在几个关键基准测试中,特别是在漏洞查找、利用和修补方面,其表现优于其前身 Gemini 4 Argon 以及 GPT-6 Astra 和 Claude Opus 5.5 等其他领先模型。然而,目前 Gemini 4 Carbon 的访问权限仅限于选定的网络安全专业人士和受信任的合作伙伴,没有…
-
新的 SWE-sweep 基准测试评估大型语言模型主动修复 Bug 的能力
来自 Meta、Stanford、Harvard 和 UW 的研究人员开发了 SWE-sweep,这是一个新的基准测试,旨在评估大型语言模型在影响用户之前主动识别和修复大型代码库中 Bug 的能力。该基准测试使用真实世界的 Bug,并根据模型在给定代码库中查找和解决这些问题的成功程度对其进行评分。早期结果表明,虽然一些模型表现不佳,但 Luna xhigh 显示出成本效益,研究人员正在寻求推荐其他开源模型以纳入未来的更新。
-
新的 SWE-sweep 基准测试显示 OpenAI 的 Luna 模型在查找代码错误方面表现出色
名为 SWE-sweep 的新基准测试由来自 Meta、Stanford、Harvard 和 UW 的研究人员开发,旨在评估 AI 模型在用户遇到之前查找和修复代码中错误的能力。该基准测试使用了大型代码库中的真实错误。早期结果表明,OpenAI 的 Luna 模型具有成本效益,以一小部分成本实现了其他模型相当大的分数。