SWE-bench 家族
SWE-bench 怎么演进到 Pro、Multilingual、Multimodal，以及如何识别数据污染
3 篇文档带有标签「evaluation」
查看所有标签总览
本章节范围：agent 怎么被衡量与观察——评测基准、可观测、成本度量
终端与长 horizon 评测
Terminal-Bench、LongCLI-Bench、LOCA-bench 各补 SWE-bench 哪块盲区
SWE-bench 怎么演进到 Pro、Multilingual、Multimodal，以及如何识别数据污染
本章节范围：agent 怎么被衡量与观察——评测基准、可观测、成本度量
Terminal-Bench、LongCLI-Bench、LOCA-bench 各补 SWE-bench 哪块盲区