SWE-bench评估基准更新：不再用Verified，推荐Pro

前沿编码评估的标准随着模型成熟度而改变。我们现在建议报告SWE-bench Pro，并分享更多关于为何不再报告SWE-bench Verified的细节，因为我们与行业合作建立更强的编码评估标准。SWE-bench Verified曾是一个强基准，但我们发现由于测试设计问题和公共仓库的污染，它现在已经饱和。