专题：swe-bench

Anthropic发布Claude Opus 4.7，核心升级包括SWE-bench Pro准确率提升至64.3%、视觉推理能力增强2576倍。新增深度审查与自动模式功能，优化任务处理可靠性。尽管部分测试表现略有下降，但其在复杂场景下的持续运行能力成为亮点。该版本作为Anthropic重要产品之一，持续强化模型在开发与办公场景的应用价值。

国产模型 GLM‑5.1 在 SWE‑bench Pro 中取得 58.4% 的得分，首次超越 Claude Opus 4.6 与 GPT‑5.4。它展示了 8 小时内完整构建 Linux 桌面的持续工作能力，采用增量调优实现策略自适应，并在 KernelBench Level 3 中实现 3.6 倍加速。全程使用华为昇腾 910B 芯片训练，成本仅为对手…

阿里发布Qwen3.6-Plus大模型，接入悟空企业AI应用。该模型在智能体编程和长程任务规划能力上突破，编程表现超越GLM-5、Kimi-K2.5等竞品，接近 Claude 系列。通过自然语言处理复杂工作流，实现研发、法务、财务等场景的自动化，企业使用成本降至每百万Tokens 2元，显著降低AI应用门槛。

SWE-bench 测试中通过的 PRs 可能不会被合并，揭示 AI 生成代码在实际工程中的局限性。文章分析了代码质量、兼容性及开发者信任等因素，探讨了改进方向。

Gemini 3 Flash在Gemini CLI中发布，具备专业编码性能、低延迟和成本优势，SWE-bench得分为76%，与Gemini 3 Pro相当。适用于高频开发任务，支持大上下文窗口和快速生成负载测试脚本，提升开发效率。

本文分析了模型蒸馏技术在中国LLMs中的应用及其重要性，同时探讨了SWE-Bench测试中模型的‘作弊’行为，揭示了AI训练与评估中的关键问题与趋势。

SWE-Bench Verified因测试局限性被终止，OpenAI推出更全面的SWE-Bench Pro评估框架，强调实际应用能力与透明度，对AI研究者具有重要参考价值。

SWE-bench Verified因数据泄露和测试缺陷被质疑，推荐使用SWE-bench Pro替代。文章指出AI评估工具需持续优化以适应技术发展。

Gemini 3.1 Pro 在检索和成本上优于 GPT-5.2 和 Claude Opus 4.6，但存在工具和 UI 问题。SWE-bench Verified 评估方法引发争议，Claude Opus 4.6 因令牌限制表现不佳，Sonnet 4.6 虽有性能提升但用户不满增加。

Gemini 3.1 Pro在ARC-AGI 2测试中性能提升达2倍，推理与编码能力显著增强，但用户反馈存在分歧，部分功能仍不稳定。

Gemini 3和GPT-5.3-Codex Spark等AI模型在性能和效率上取得显著突破，MiniMax M2.5在SWE-Bench测试中表现优异。Anthropic融资300亿美元，收入突破100亿美元，显示其在AI领域的强劲发展。文章还提到开源模型竞争激烈，以及A2A协议等技术推动AI生态完善。

MiniMax-M2.5 是一款基于 Forge 强化学习框架的开源大模型，专为编码和工具调用设计。其在 SWE-Bench 测试中表现优异，通过率80.2%，成本低至每小时1美元。支持多种量化格式，便于部署，同时具备高计算资源利用率和多级前缀缓存机制，提升了代理的稳定性和执行效率。