自从 2024 年 8 月我们首次发布 SWE-bench Verified 以来，该基准已成为业界衡量模型在自主软件工程任务上进展的常用标尺。发布后， S WE-bench Verified 在前沿模型发布中成为常被引用的能力指标，也是我们在 Preparedness Framework 中用于跟踪和预测能力进展的重要信号。当初构建该 Verified 子集时，我们着力修正原始评测中使某些任务无法完成的问题（原始数据集见 SWE-bench 论文）。 在取得最初突破后，针对 SWE-bench Verified…