待验证50% 置信事实精确时间
编码 Agent 评估经历了从 HumanEval（164 道函数级编程题）到 SWE-bench（真实 GitHub Issue 修复）再到 Terminal Bench 的演进
1
来源数
50%
置信度
长期有效
时效性
2026/8/27
首次发现
来源
涉及实体
相关事实
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71% 相似待验证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69% 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69% 相似待验证SWE-bench（Software Engineering Benchmark）是目前衡量智能体编码能力的核心基准，从真实的GitHub Issue出发要求模型自主定位代码库中的问题并提交修复补丁68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/808666API
curl https://kongchang.com/api/v1/knowledge/claims/808666MCP
get_claim(id=808666)