新闻资讯7
SWE - Bench Pro测试：全球AI编程集体挂科
新智元
AI 摘要
新基准测试SWE - Bench Pro评估AI编程能力，顶尖模型大多溃败，GPT - 5仅23.3%。它解决旧基准数据污染、任务简单问题，反映出LLM长程编码能力是短板，可作未来LLM编码评估标尺。
阅读原文 · 新智元
GPT-5仅23.3%，全球AI集体挂科！地狱级编程考试，夺金神话破灭
最新基准测试SWE-Bench Pro评估AI编程智能体，直面真实企业级工程任务。顶尖模型几乎溃败，GPT - 5仅23.3%。该测试解决现有基准数据污染、任务简单问题，能成未来LLM编码能力标尺。
关注公众号
扫码关注
第一时间收到每日精选
相关文章
产品应用8
阿里云平台完成 DeepSeek Harness 评测
本文分享基于阿里云 AgentLoop 平台的 DeepSeek Harness 评测实践。介绍了 DeepSeek Harness 工程架构，阐述 AgentLoop 平台接入方式及价值，还详述评估器设计思路、展示评测结果，最后总结方法论并展望后续工作。
阿里云开发者
开源动态7
HarnessEval开启RSI时代新评测范式
过去一年AI进入RSI时代，但评测方式仍停留在过去。MirroS联合多方发布HarnessEval，将Harness引入评测领域，使评测成为具备自我进化能力的智能系统，还率先应用于交互式世界模型评测。
特工宇宙
新闻资讯7
DeepSeek涨价，OpenAI降价，Agent改写价格战
近期，DeepSeek上调API价格，V4 Pro等型号涨幅明显；而OpenAI的GPT - 5.6 Luna API价格降80%，Terra降20%。这背后是大模型价格竞争方向转变，受竞争、广告、效率及Agent使用方式等因素影响。
DeepTech深科技
开源动态7
macOS Harness：让 AI 操作整台 Mac
macOS Harness 是 browser - use 团队开源项目，目标是让 LLM 用持久化 Python 进程完成 Mac 上几乎所有任务。它仅提供六个原始操作，模型用其操作应用，还能在运行中补全缺失部分。项目有诸多优势，目前仅支持 macOS。
AI工程化