Step-SWE-Bench（阶跃内部评测）
阶跃星辰自建 SWE 评测：跨六种 harness 平均读分（Hermes Agent / OpenClaw / Claude Code / KiloCode / OpenCode / RooCode）
基本信息
30 秒看懂
厂商自报内部 SWE 评测：Step 3.7 Flash 六 harness 平均 67.08（Claude Code 71.5 最高、OpenCode/RooCode 64.5 最低），前代 Step 3.5 Flash 平均 56.50——harness 本身即可造成数分波动，与 SWE-bench 系公开榜不可直接比。
采用格局：StepFun Step 3.7 Flash 发布页「Agentic Coding → Step-SWE-Bench」表
评分协议
六 harness 平均：Hermes Agent 67.5 / OpenClaw 67.0 / Claude Code 71.5 / KiloCode 67.5 / OpenCode 64.5 / RooCode 64.5
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
2026-05-29
StepFun / 阶跃星辰·国内
参数196B-A11B（另含 1.8B ViT）上下文256K模态文本·图像
Step 3.7 Flash 被阶跃星辰定位为面向真实场景代理的高效率 Flash 模型，支持三档推理级别、最高 400 tok/s。评测覆盖通用代理、编码与长上下文/视觉：BrowseComp 75.8%、HLE w. tool 47.2%、SWE-bench Verified 76.5%、V* 95.29%。
MoE 稀疏激活多模态高效率256K 上下文
查看模型变体与证据
Step-SWE-Bench（阶跃内部评测） 67.08
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。