SWE Refactor Bench
真实项目代码重构评测集：在既有代码库上做大范围重构，测模型改造存量代码而非从零写新代码的能力
基本信息
30 秒看懂
分数是百分比（越高越好），与 SWE-bench 那类「修一个 bug」不同——这里考的是跨文件、跨模块的重构，改动面往往比解题本身大得多。2026-10 公开水位（MiniMax 官方页评测总表视觉转写）：MiniMax M3.1 Flash 23.0%、GPT-5.6 Sol 28.5%、Claude Opus 5 31.0%、DeepSeek-V4.1-Flash 11.8%。头部也只有 30% 上下，说明存量代码重构远未被攻破。
采用格局：证据账本中 1 次引用；由 MiniMax M3.1 Flash 官方页评测总表引入，数值来自位图视觉转写（未人工确认）
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 2026-10-19
2026
2026-10-19
MiniMax·国内
价格$0.15/$0.6 每百万 tokens · 每 1M token 单一价：输入 $0.15、输出 $0.60、缓存输入 $0.015；官方称 agentic 任务整体使用成本较前代低 70%模态文本·图像
MiniMax 官方将 M3.1 Flash 定位为面向 agent 任务的下一代 Flash 模型：复杂 agent 任务、编码、Computer Use 与网络安全全面提升，线上推理速度接近三倍，使用成本降低 70%。本次收录 16 条评测记录，横跨业务自动化、代码、Computer Use、网络安全与多模态，正文明文亮点为 DeepSWE v1.1 73.7% 与 CyberGym 82%。
Agentic 特化200+ TPS 输出成本较前代降 70%权重待开放
查看模型变体与证据
SWE Refactor Bench 图表尚无可读数值
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 2026-10-19，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。