待验证50% 置信事实精确时间

MMLU考察跨学科知识理解、HumanEval测试代码生成能力、SWE-bench专门针对真实GitHub Issue修复能力

1

来源数

50%

置信度

长期有效

时效性

2026/7/19

首次发现

来源

GPT-5.6深度实测：编程与前端能力实现质变级提升

相关事实

待验证SWE-bench评估模型解决真实GitHub Issue的能力，被认为比HumanEval更贴近Agent实际工作场景75% 相似待验证SWE-bench要求模型解决GitHub上真实的软件缺陷，是评估Agent级编程能力的权威基准74% 相似待验证SWE-bench要求模型修复真实GitHub仓库中的Issue，HumanEval/MBPP是函数级代码生成基准74% 相似待验证SWE-bench评估模型解决真实GitHub issue的能力，LiveCodeBench使用竞赛编程题目防止数据泄露73% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/558246

API

curl https://kongchang.com/api/v1/knowledge/claims/558246

MCP

get_claim(id=558246)