Загружаем каталог…
Загружаем каталог…
SWE-bench Verified is increasingly contaminated and mismeasures frontier coding progress. Our analysis shows flawed tests and training leakage. We recommend SWE-bench Pro.
То, что RADAR обнаружил и классифицировал для этой возможности. Это опубликованный источником текст, а не подтверждение, что предложение ещё действует.
Why we no longer evaluate SWE-bench Verified. SWE-bench Verified is increasingly contaminated and mismeasures frontier coding progress. Our analysis shows flawed tests and training leakage. We recommend SWE-bench Pro.
Открыть источникКаталог показывает сохранённые возможности RADAR. Доступность хранилища не означает, что источники проверены или акции действуют.