**DeepSWE：面向长期软件工程任务的无污染基准**

_DeepSWE: A contamination-free benchmark for long-horizon coding agents_

> DeepSWE 是一个新型长期软件工程基准，旨在评估前沿编程智能体在原始、复杂任务上的表现。它解决了现有基准如 SWE-bench Pro 的污染、多样性不足和验证不可靠问题。DeepSWE 使用全新编写的任务、覆盖91个仓库和5种语言，提供更真实的代码工程挑战。基准测试结果显示，GPT-5.5 以70%通过率领先，Claude Opus-4.7 和 GPT-5.4 紧随其后，表明该基准能更好地区分模型实际编码能力。该研究为AI编码助手的发展提供了更可靠的评估标准。

**来源信息**
- **来源**：Hacker News：AI 热帖
- **分类**：论文
- **发布时间**：2026-05-27 03:40（北京时间）
- **原文**：[打开原文](https://deepswe.datacurve.ai/blog)