<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>SWE-Bench :: 标签 :: x7peeps</title><link>https://blog.x7peeps.com/tags/SWE-bench/index.html</link><description/><generator>Hugo</generator><language>zh-CN</language><lastBuildDate>Fri, 30 Oct 2026 14:47:30 +0800</lastBuildDate><atom:link href="https://blog.x7peeps.com/tags/SWE-bench/index.xml" rel="self" type="application/rss+xml"/><item><title>Agent Benchmark 生态：AgentBench/SWE-Bench/τ-Bench/BFCL 解读</title><link>https://blog.x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/Agent-Benchmark%E7%94%9F%E6%80%81AgentBenchSWE-Bench%CF%84-BenchBFCL%E8%A7%A3%E8%AF%BB/index.html</link><pubDate>Fri, 03 Jul 2026 15:17:54 +0800</pubDate><guid>https://blog.x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/Agent-Benchmark%E7%94%9F%E6%80%81AgentBenchSWE-Bench%CF%84-BenchBFCL%E8%A7%A3%E8%AF%BB/index.html</guid><description>为什么需要系统理解 Benchmark 生态 在上一篇 Agent 评测方法论 中，我们构建了评测维度与方法论的抽象框架。但在工程落地时，开发者面临一个具体问题：用什么 Benchmark 来评测自己的 Agent？</description></item><item><title>AI Coding Agent 架构深度解析：从 ReAct 循环到多 Agent 协作的工程实现</title><link>https://blog.x7peeps.com/AI/07-AI%E8%BE%85%E5%8A%A9%E5%BC%80%E5%8F%91%E5%B7%A5%E5%85%B7%E9%93%BE/AI-Coding-Agent%E6%9E%B6%E6%9E%84%E6%B7%B1%E5%BA%A6%E8%A7%A3%E6%9E%90%E4%BB%8EReAct%E5%BE%AA%E7%8E%AF%E5%88%B0%E5%A4%9AAgent%E5%8D%8F%E4%BD%9C%E7%9A%84%E5%B7%A5%E7%A8%8B%E5%AE%9E%E7%8E%B0/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/07-AI%E8%BE%85%E5%8A%A9%E5%BC%80%E5%8F%91%E5%B7%A5%E5%85%B7%E9%93%BE/AI-Coding-Agent%E6%9E%B6%E6%9E%84%E6%B7%B1%E5%BA%A6%E8%A7%A3%E6%9E%90%E4%BB%8EReAct%E5%BE%AA%E7%8E%AF%E5%88%B0%E5%A4%9AAgent%E5%8D%8F%E4%BD%9C%E7%9A%84%E5%B7%A5%E7%A8%8B%E5%AE%9E%E7%8E%B0/index.html</guid><description>AI Coding Agent 架构深度解析：从 ReAct 循环到多 Agent 协作的工程实现 2026 年，AI 编程工具的格局已经从"选哪个 IDE 插件"演变为"选哪种 Agent 架构"。Claude Code、OpenAI Codex、Cursor、Devin、Windsurf 等产品分属四大架构类别——AI 原生 IDE、Agentic CLI、云端委托 Agent 和平台原生 Copilot——它们的差异不在于底层模型是否足够聪明，而在于Agent 脚手架如何编排模型能力与开发环境的交互。研究表明，在相同底层模型（如 Opus 4.5）下，不同 Agent 脚手架在 SWE-bench 上的表现差距可达 17 分，这说明架构设计本身就是一种"能力乘数"。</description></item><item><title>SWE-bench 被停报：看编码榜单先查基准</title><link>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/SWE-bench-%E8%A2%AB%E5%81%9C%E6%8A%A5%E7%9C%8B%E7%BC%96%E7%A0%81%E6%A6%9C%E5%8D%95%E5%85%88%E6%9F%A5%E5%9F%BA%E5%87%86/index.html</link><pubDate>Mon, 26 Oct 2026 06:20:00 +0800</pubDate><guid>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/SWE-bench-%E8%A2%AB%E5%81%9C%E6%8A%A5%E7%9C%8B%E7%BC%96%E7%A0%81%E6%A6%9C%E5%8D%95%E5%85%88%E6%9F%A5%E5%9F%BA%E5%87%86/index.html</guid><description>SWE-bench 被停报：看编码榜单先查基准 OpenAI 在 2026 年 2 月停止报告 SWE-bench Verified 分数。几个月后，它又审计了作为替代方案的 SWE-Bench Pro，估计约 30% 的任务存在缺陷。</description></item><item><title>SWE-bench 停报：模型解不出的题，一半是坏的</title><link>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/SWE-bench-%E5%81%9C%E6%8A%A5%E6%B7%B1%E5%BA%A6%E5%A4%8D%E7%9B%98%E6%A8%A1%E5%9E%8B%E8%A7%A3%E4%B8%8D%E5%87%BA%E7%9A%84%E9%A2%98%E4%B8%80%E5%8D%8A%E6%98%AF%E5%9D%8F%E7%9A%84/index.html</link><pubDate>Wed, 28 Oct 2026 12:00:00 +0800</pubDate><guid>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/SWE-bench-%E5%81%9C%E6%8A%A5%E6%B7%B1%E5%BA%A6%E5%A4%8D%E7%9B%98%E6%A8%A1%E5%9E%8B%E8%A7%A3%E4%B8%8D%E5%87%BA%E7%9A%84%E9%A2%98%E4%B8%80%E5%8D%8A%E6%98%AF%E5%9D%8F%E7%9A%84/index.html</guid><description>SWE-bench 停报：模型解不出的题，一半是坏的 2026 年 2 月，OpenAI 做了一件没有开发布会、但比任何一次模型发布都更值得复盘的事：SWE-bench Verified 分数不再出现在官方评测表里。最后一份报告是 80.9%，六个月前同一条曲线还在 74.9%[1]。</description></item></channel></rss>