待验证50% 置信事实精确时间
原始 SWE-bench 包含 2294 个任务，覆盖 12 个 Python 仓库；SWE-bench Lite 有 300 个精选任务，SWE-bench Verified 有 500 个人工验证任务。
1
来源数
50%
置信度
长期有效
时效性
2026/10/25
首次发现
来源
涉及实体
相关事实
待验证Tīrtha Bench 的核心测试包含 800 个工具调用任务，取自伯克利公开的 BFCL 数据集，其中 400 个单次调用、200 个多工具选择、200 个需要并行调用的任务。71% 相似待验证SWE-bench Lite精选了300个更具代表性的子集59% 相似待验证MTEB在8种任务类型的58个数据集上对162个嵌入模型进行排名。58% 相似待验证CMU的Odyssey基准包含200个任务，每个任务配有多条rubric，支持部分得分而非单一二元判定56% 相似待验证Tīrtha Bench 目前共有 68 个模型参与测试，其中 8 个进入了同一套 800 任务加 120 陷阱的共享对比。56% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1096063API
curl https://kongchang.com/api/v1/knowledge/claims/1096063MCP
get_claim(id=1096063)