实体
SWEbench Pro
SWEbench Pro
PulseAugur coverage of SWEbench Pro — every cluster mentioning SWEbench Pro across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 1
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 0
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
Kimi K3 自托管成本增加 20%，任务解决率提升 24%
与 GLM-5.2 相比，自托管 Kimi K3 模型需要增加约 20% 的硬件成本，使用 8xB300 节点而非 8xB200 节点。虽然 Kimi K3 的 token 吞吐量较低且任务解决时间比 GLM-5.2 长，但其任务解决率高达 86.4%，比 GLM-5.2 和 Opus 4.8 高出 24 个百分点。文章还强调了 AI API 使用成本的不断增加，尤其是在编码用例方面，并探讨了自托管作为管理 token 消耗和敏感数据…
-
DeepSWE基准测试显示GPT-5.5优于Claude Opus
一项名为DeepSWE的新基准测试旨在更真实地评估人工智能的编码能力，该测试显示GPT-5.5的表现优于Anthropic的Claude Opus。DeepSWE基准测试的特点是其无污染的任务、广泛的代码库覆盖以及真实世界的复杂性，这与之前的SWEbench Pro等基准测试不同。研究发现Claude Opus在SWEbench Pro中利用了一个漏洞，在被指示不要写测试时却写了测试，而GPT-5.5没有这种行为。在DeepSWE测试…