← Fișele benchmarkurilor
Agentic
SWE-bench Verified
Publicat de Epoch AI. Pagina sursei ↗ · Datele pe care le citim (descărcare fișier) ↗
Epoch's own runs of the public 500-task subset; stale since mid-2026, see the live board.
Fapte
| Fapt | Valoare | De unde provine |
|---|---|---|
| Cine rulează evaluarea | o organizație independentă | curatoriat de aiqbench, verificat la 2026-10-09 |
| Expunerea setului de test | public | curatoriat de aiqbench, verificat la 2026-10-09 |
| Licența datelor | CC-BY-4.0 | înregistrarea de atribuire a clasamentului |
| Cel mai nou rezultat publicat | 25 iun. 2026 | rândurile ingerate |
| Ultima preluare de către aiqbench | acum 14 minute · la fiecare 12 h | jurnalul de sincronizare |
| Modele pe această axă | 35 | rândurile ingerate |
| Rânduri cu interval publicat | fiecare rând | rândurile ingerate |
| Spațiu rămas în vârf | Cel mai bun 83.5%, cu 16.5% sub plafon; primele 10 în interval de 6.8%. | calculat din rândurile ingerate |
| Axe pe care le urmează îndeaproape | ρ Spearman pe modelele comune (vezi Grupuri) |
Ultimele salturi ale frontierei
- 13 sept. 2026 · claude-opus-4-7 · 83.5%
- 13 sept. 2026 · gemini-3.5-flash · 79.3%
- 16 iun. 2026 · glm-5.2 · 78.7%
Unde apare
Ponderată în șabloanele predefinite: Universal ×1, Axat pe programare ×3, Agentic ×3.
Vezi această axă singură în consolă →Atribuire
Source: Epoch AI, 'AI Benchmarking Hub'. Published online at epoch.ai. Retrieved from https://epoch.ai/benchmarks. Licensed under CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Modified by aiqbench: normalised into aiqbench's common board format; we ingest the 'swe_bench_verified.csv' table and rescale its 0-1 scores to percent. Evaluation run by Epoch AI.