编辑｜杨文编程 Agent 的评测，一直是本糊涂账。SWE-bench 如今已成事实标准，几乎每家发布新模型或新 Agent 框架，都会拿出一个 SWE-bench 分数来证明自己有多强。但这些数字真的能直接横向比较吗？LLM Agent 的能力，本质上是模型和 harness 共同决定的，同一个模型换一套 harness，在 SWE-bench、Terminal-bench ...
The Prime Minister said social media was making children 'unhappy', and could be 'harming their mental health'.
一些您可能无法访问的结果已被隐去。
显示无法访问的结果