待验证50% 置信基准精确时间
官方公布的11项基准中，终端操作测试4.0版从31.2提升到42.3，深度软件工程测试1.1版从74.2提升到77.0，自动化测试达到60.5，智能体终极考试（Agent终极考试）为35.4。
1
来源数
50%
置信度
短期 (~14 天)
时效性
2026/10/21
首次发现
有效期至：2026/11/4
来源
涉及实体
相关事实
待验证2.5-24在官方公布的16项基准测试中，自动化任务跑分27.69，第二名8.72，领先约3.2倍。74% 相似待验证GLM-5.3在六项评测中的成绩为：终端编程基准3.0得28.3、深度软件工程基准得66.9、智能体中场考试得28.5、自动化基准得48.2、带工具的人类终极考试得62.5、GDP价值评估AA2版得17.6970% 相似待验证WarderBox 当前版本为 v0.3.5，包含 42 个模块和 390 个测试。69% 相似待验证DeepSeek V4.1号称SWE拿到74，但博主发现那是多次测试中挑出的最好成绩，open code实测65、PI实测6667% 相似待验证独立测试显示Mistral Large 4在CyberGym E2E端到端测试中成功率达81.7%，是18个测试模型中最高65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1083437API
curl https://kongchang.com/api/v1/knowledge/claims/1083437MCP
get_claim(id=1083437)