SWE-bench VerifiedSWE-bench Team
从真实 GitHub issue 出发，检验 agent 能否理解代码库并提交正确的修复。
软件工程真实仓库问题修复
持续演进
更好的判断，始于更好的理解。
FOR PEOPLE BUILDING WITH AGENTS终端里的表现，
才是 Agent 的实战。
Terminal-Bench 4.0：把模型、工具与执行放在一起看。
理解这项评测分数之外，
你还应该看什么？
版本、harness、预算、污染风险。
读懂排行榜之前，先问这几个问题。
探索 Benchmark10
从你的任务出发，找到真正有参考价值的评测。
SWE-bench MultilingualSWE-bench Team
把真实仓库修复扩展到 9 种语言，补上仅看 Python 评测的盲区。
软件工程多语言真实仓库
持续演进
SWE-Bench ProScale AI
关注更复杂、跨文件的工程任务，把长程软件维护放进评测。
软件工程长程任务跨文件修改
定期维护
ProgramBenchMeta · Stanford · Harvard
只给二进制与文档，让 agent 从零重建完整程序的行为。
软件工程从零构建行为验证
持续演进
官方来源核验方法与局限说明没有付费排名 · 不合成跨榜总分
好评测，不该埋在信息流里。
发现一个值得关注的 Benchmark？帮助更多人找到它。