SWE Atlas — Refactoring
Scale AI SWE Atlas 的重构子赛道（70 任务）：在真实代码库上做保持行为的重构，程序化检查 + rubric 混合评分
基本信息
30 秒看懂
重构是最难刷分的编码赛道：不改变功能却要求工程质量提升，rubric 评分使分数低于问答/测试赛道（混元 Hy4 preview：重构 53.3 vs QnA 64.0 / 测试编写 57.8）。
采用格局：混元 Hy4 preview 附录出现（53.3）；套件母条目见 swe-atlas（Scale AI，284 任务）
评分协议
Claude Code harness、256-turn 预算（Hy4 preview 附录口径）
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
2026-08-28
Tencent / 腾讯混元·国内
参数770B-A49B MoE上下文1M模态文本
发布文将 Hy4 preview 定位为 770B 总参/49B 激活、1M 上下文、Apache 2.0 开源的旗舰预览版（各模型均按最高推理档评测）。46 项评测集中于智能体编码与搜索、工作智能体及 STEM 推理，亮点为 Terminal-Bench 2.1 85.4 与 SWE-bench Multilingual 82.9。
开源权重长上下文智能体
查看模型变体与证据
SWE Atlas — Refactoring 53.3
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。