APEX-SWE
Mercor 与 Cognition 合作软件工程智能体评测
基本信息
30 秒看懂
Mercor 出品的 APEX-SWE（AI 生产力指数·软件工程）：集成任务与可观测性排障任务各 100 题、按 Pass@1 计分；榜首 Opus 4.6 也只有 40.5%——考的是跨云服务搭完整系统、用日志定位生产事故这类真实工程，不是算法题。
采用格局：xAI Grok 4.6 引用；与 APEX-Agents 是不同评测
评分协议
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
可比性提示：同一评测的分数是「实验配置」的产物：只要评测版本（variant）、执行框架（harness）、推理档位（reasoning effort）、工具、采样参数、运行次数或聚合方式有任何一项不同，数字就不能直接横向比较。下方各厂商的分数如未写明协议细节，请只当作方向参考。
模型发布采用时间轴
共收录 1 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-09-20
2026
2026-08-12
xAI / Grok·国际
价格$2/$6 每百万 tokens · 另有 fast 变体，价格为标准价的 2 倍模态文本·图像
发布文称 Grok 4.6 在 Grok 4.5 基础上聚焦长时间运行的智能体与更具野心的交互和视觉任务。10 项评测覆盖智能体编码、知识与法律工作，亮点为 Artificial Analysis Intelligence Index 61（自述追平 GPT-5.6 Sol）与 GDPval-AA v2 1753 Elo。
长程智能体编码视觉任务
查看模型变体与证据
APEX-SWE 56.4%
数据缺口（本页暂未收录）
- 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
- 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
- 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
- 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
- 测试集污染检测结论，以及是否已饱和的结构化标注
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
复现入口
引用
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。