待验证50% 置信事实精确时间

SWE-bench和WebArena是Agent范式下的典型评估基准

1

来源数

50%

置信度

长期有效

时效性

2026/9/18

首次发现

来源

解码LLM基准测试：14767篇论文揭示评估变迁

涉及实体

SWE-benchproduct WebArenaproduct

相关事实

待验证HumanEval、SWE-bench等代码评测基准的排名是评估执行型Agent底层模型选型的重要参考维度74% 相似待验证学术界代表性Agent评测基准包括WebArena、AgentBench和ToolBench，均将执行轨迹作为核心评测维度74% 相似待验证Agent 评估当前主流方案分为三类：基于确定性断言的任务完成率、LLM-as-Judge、端到端基准测试集（如 SWE-Bench、WebArena）70% 相似待验证SWE-bench 涉及跨文件依赖分析、版本兼容性判断、回归测试通过等高阶能力，难度比 HumanEval 等写函数类基准更贴近真实工程场景67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/931086

API

curl https://kongchang.com/api/v1/knowledge/claims/931086

MCP

get_claim(id=931086)