LongTail-SWE
- LongTail-SWE
LongTail-SWE؛ سنجش agentهای کدنویسی با ۲۰۲ مسئله در ۱۳ زبان کمنماینده
benchmark جدید LongTail-SWE توانایی agentهای کدنویسی را در حل مسئلههای واقعی ۱۳ زبان میسنجد. در این ارزیابی، GLM-5.3-Flash، Qwen 3.8 27B و Qwen 3.6 27B بهترتیب Pass@1 برابر با ۴۸٫۲، ۴۲٫۷ و ۱۶٫۷ درصد داشتند.