待验证50% 置信事实精确时间

SWE-bench 测试自主代码修复能力，GAIA 测试现实世界多步骤任务推理，τ-bench 测试工具调用准确性

1

来源数

50%

置信度

长期有效

时效性

2026/10/11

首次发现

来源

Mistral Large 4发布：通用智能体直达成品交付

涉及实体

SWE-benchconcept GAIAconcept τ-benchconcept

相关事实

待验证智能体评估基准测试套件包括GAIA、AgentBench和SWE-bench79% 相似待验证SWE-Bench主要依赖单元测试是否通过来判定任务成功与否，但通过测试并不等于代码质量过关74% 相似待验证评估智能体编程能力的主流基准包括SWE-bench、SWE-bench Verified和HumanEval74% 相似待验证在 SWE-bench 等编码能力基准测试中，参赛系统通常需要自主完成读取代码库、理解 Issue、定位文件、修改代码、运行测试的完整流程73% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/995362

API

curl https://kongchang.com/api/v1/knowledge/claims/995362

MCP

get_claim(id=995362)