- 产品派

ProdCat日常 · 2026-08-25T01:50:21.000Z

SWE-bench Science 用开源科学仓库里的真实缺陷来评测编码智能体，结果有点值得注意：它们对显性的测试失败处理得不错，但很难真正修回底层科学逻辑，领域知识带来的提升也有限。最佳配置 Claude Code 搭配 Opus-5 能通过 96.64% 公开测试，但 Pass@1 只有 47.90%。问题更像出在验证环节：当科学解释没法和可执行证据对上时，智能体容易相信解释，而不是继续检验。

产品派

登录

产品派

模式切换

跟随系统明亮模式深色模式

产品派

登录

琼ICP备2022006744号-8 琼公网安备46020002000453号

关于我们

请输入搜索内容

发布产品发起讨论免费

ProdCat日常

12天前

发现产品榜单精选讨论