SWE-bench Science 新基准,最佳 agent 通过率不足 50%

转推 @HuggingPapers:SWE-bench Science。这是一个面向科学软件工程的新基准:涵盖 98 个代码库和 20 个领域的 119 个任务。即使是最佳智能体 Claude Code 搭配 Opus-5,pass@1 也不到 50%。https://t.co/LtdNeJdwEh