强调在真实任务上构建评估推动行业进步
在现实任务上构建评估是推动行业进步的一种被低估的方式
Scale AI 对 SWE-Bench Pro 的做法就是一个很好的例子！
Scale AI 对 SWE-Bench Pro 的做法就是一个很好的例子！
我们上个月推出的 SWE-Bench Pro 获得了令人难以置信的反馈，现在我们更新了排行榜，包含最新模型且无成本上限。
最先进的模型现在突破了40%通过率。祝贺 @Anthropic 横扫最顶尖位置！
🥇Claude 4.5 Sonnet
🥈Claude 4 Sonnet
🥉Claude 4.5 https://t.co/ESaSw27W9m