待验证50% 置信基准精确时间
Beam 在 SWE Bench Pro v2-Hard 上达到 76.5%（BF16），在 Terminal Bench v2.1 上达到 80.1%（BF16），在 GPQA Diamond 上达到 90.6%（BF16），在 MCP Atlas 工具调用上达到 80.8%（BF16）。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/19
首次发现
有效期至：2027/1/17
来源
涉及实体
相关事实
待验证Reflection AI 自报 Beam 在 SWE-Bench Verified 得分 80.9、Terminal-Bench 2.1 得分 80.1、AIME 2026 得分 97.8。67% 相似待验证Beam 在 SWEBench Verified 上达到 81.6%（BF16）。66% 相似待验证JetBrains 自报评测结果：Mellum2.1 在 SWE-bench Verified 得 47.0%、SWE-bench Pro 28.0%、Terminal-Bench 2.1 得 17.4%、LiveCodeBench v6 得 82.0%、HumanEval+ 得 91.5%。60% 相似待验证阿里官方给出Qwen3.8 Flash的SWE-Bench Pro得62.5，领先Claude Opus 4.6约9分；Cowork Bench 73.9，DeepSeek为45.1；Job Bench 55.7，超出Opus 4.6约20分59% 相似待验证IQ3S档位在GPQA Diamond上得92.93（BF16基线91.92），LiveCodeBench V6为86.86（对比87.43），三项任务平均93.26对93.12，体积不到BF16的四分之一（约22%）59% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1070570API
curl https://kongchang.com/api/v1/knowledge/claims/1070570MCP
get_claim(id=1070570)