SWE-bench-Live
自动更新的多语言多 OS 软件工程评测
基本信息
30 秒看懂
微软维护的月更 SWE 题集（Python 主榜 + 多语言 MultiLang 已超 1,000 题 + Windows 61 题），沿用测试判分、以解决率计分；lite/verified 固定分片保跨期可比，full 分片持续注入新题防污染。
采用格局：Qwen3-coder 引用；Microsoft 发布
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
2025
2025-07-22
Alibaba / Qwen·国内
参数480B-A35B MoE上下文256K（YaRN 可扩至 1M）模态文本
Qwen3-Coder-480B-A35B-Instruct 以「Agentic Coding in the World」为定位发布，480B MoE/35B 激活，原生 256K 上下文（YaRN 可扩至 1M）。已收录 15 项评测集中于代码仓库、终端与浏览器/工具 Agent：亮点 SWE-bench Verified（OpenHands 500 turns）69.6、Terminal-Bench 37.5。
开源权重代码专精Agentic Coding长上下文
查看模型变体与证据
SWE-bench-Live 26.3
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。