BenchLeader

SWE-bench Verified 排行榜 (any scaffold)

其他搜索名称:SWE-bench Verified 500 · SWE-bench

截至 2026年11月16日,SWE-bench Verified(又称 SWE-bench Verified 500) 的最高分为 79.2%,由 Claude Opus 4.5(Anthropic)取得,领先于 Gemini 3 Pro(77.4%)。共有 65 个模型配置公布了结果(SWE-bench,结果日期 2025年12月5日)。SWE-bench Verified 包含 500 个来自热门 Python 仓库的真实 GitHub issue,每个都经过人工标注员筛选,确保任务描述清楚、测试公平。模型阅读 issue 并修改仓库,只有隐藏测试全部通过,补丁才算被接受。SWE-bench Verified 仅作参考展示,不计入 BenchLeader Index。

要点(截至 2026年11月16日)

  • Claude Opus 4.5 以 79.2% 保持 SWE-bench Verified (any scaffold) 最高分(SWE-bench,2025年12月5日)。
  • Gemini 3 Pro 以 77.4% 位列 SWE-bench Verified (any scaffold) 第二(SWE-bench,2025年11月20日)。
  • SWE-bench Verified (any scaffold):该模型在任意智能体脚手架下的 SWE-bench Verified 最佳官方结果。仅作参考(SWE-bench)。
  • BenchLeader 上有 65 个模型配置公布了 SWE-bench Verified (any scaffold) 结果(BenchLeader,2026年11月16日)。
  • SWE-bench Verified (any scaffold) 不计入 BenchLeader Index,仅作参考展示(BenchLeader 方法论)。

该模型在任意智能体脚手架下的 SWE-bench Verified 最佳官方结果。仅作参考。

发布方
SWE-bench
类别
编程
Index 权重
仅作参考
模型
65
数据截至
2026年11月16日

SWE-bench (Jimenez et al. 2024), swebench.com.

测试内容

SWE-bench Verified 包含 500 个来自热门 Python 仓库的真实 GitHub issue,每个都经过人工标注员筛选,确保任务描述清楚、测试公平。模型阅读 issue 并修改仓库,只有隐藏测试全部通过,补丁才算被接受。

评分方式

模型最佳官方提交在 500 个 issue 中解决的百分比,所用脚手架由提交者决定(往往是厂商自己的工具),而不是只用 bash 的 mini-SWE-agent 测试框架。

注意事项

同样是这 500 个经过验证的 GitHub issue,但取每个模型在提交者自选的任意智能体脚手架下的最佳官方结果。由于脚手架各不相同,这里比较的是“模型加测试框架”的整套系统,而不是模型本身,最好的成绩往往来自厂商自己的工具。仅供参考;计入 Index 的是只用 bash 的排行榜。另请参阅 SWE-bench Verified (bash only) 排行榜。

65 / 65
#
1Claude Opus 4.579.2%57.1Sonar Foundation Agent2025-12-05
2Gemini 3 Pro77.4%60.0live-SWE-agent2025-11-20
3Claude Sonnet 476.8%50.0EPAM AI/Run Developer Agent2025-08-04
4Gemini 3 Flashhigh75.8%57.4mini-SWE-agent2026-02-17
5MiniMax M2.5high75.8%–mini-SWE-agent2026-02-17
6Claude Opus 4.675.6%62.1mini-SWE-agent2026-02-17
7Claude Sonnet 4.574.8%53.8Sonar Foundation Agent2025-11-03
8GPT-574.4%56.6Prometheus-v1.2.12025-10-15
9Claude Opus 473.2%51.9Tools2025-05-22
10GPT-5.2-Codex72.8%57.6mini-SWE-agent2026-02-19
11GPT-5.2high72.8%55.8mini-SWE-agent2026-02-17
12GLM-5high72.8%–mini-SWE-agent2026-02-17
13Kimi K2 090571.2%51.7Lingxi v1.52025-10-14
14Kimi K2.5high70.8%–mini-SWE-agent2026-02-17
15DeepSeek V3.2high70.0%54.2mini-SWE-agent2026-02-17
16Qwen3 Coder 480B69.6%48.9OpenHands2025-08-05
17GLM-4.668.2%50.2Undisclosed2025-09-30
18Claude Haiku 4.5high66.6%–mini-SWE-agent2026-02-17
19Claude 3.7 Sonnet66.4%49.2Aime-coder v12025-05-14
20GPT-5.1medium66.0%52.4mini-SWE-agent2025-11-20
21GPT-5.1-Codexmedium66.0%–mini-SWE-agent2025-11-24
22Kimi K265.4%51.1OpenHands2025-07-16
23o4-mini64.6%55.2PatchPilot-v1.12025-05-03
24o164.6%52.5W&B Programmer O1 crosscheck52025-01-17
25GLM-4.564.2%51.6Undisclosed2025-07-28
26Kimi K2 Thinkingthinking63.4%52.3mini-SWE-agent2025-12-10
27Claude 3.5 Sonnet63.4%46.8AgentScope2025-02-06
28MiniMax-M261.0%51.5mini-SWE-agent2025-11-24
294x Scaled60.8%–OpenHands2025-02-03
30Qwen3 Coder 30B A3B Instruct60.4%–EntroPO + R2E2025-09-01
31DeepSeek V3.2 Reasoner60.0%–mini-SWE-agent2025-12-01
32GPT-5 minimedium59.8%53.6mini-SWE-agent2025-08-07
33o358.4%60.4mini-SWE-agent2025-07-26
34Devstral Small 256.4%39.4mini-SWE-agent2025-12-09
35Devstral 253.8%42.7mini-SWE-agent2025-12-09
36Gemini 2.5 Pro53.6%55.2mini-SWE-agent2025-07-26
37Frogboss 32B 251053.6%–FrogBoss-32B-25102025-11-10
38Gemini 2.0 Flash52.2%43.5Google Jules2024-12-12
39Devstral Small 250546.8%–OpenHands2025-05-20
40Co-PatcheR46.0%–PatchPilot2025-05-28
41Frogmini 14B 251045.0%–FrogMini-14B-25102025-11-10
42o3-mini42.4%50.2Agentless Lite2025-02-14
43Nova Premier42.4%45.1Amazon Nova Premier 1.02025-05-27
44DeepSeek V3 032442.0%46.9SWE-Exp2025-08-06
45Llama3-SWE-RL-70B41.2%–Agentless Mini2025-02-26
46Claude 3.5 Haiku40.6%38.7Tools2024-10-22
47GPT-4.139.6%48.7mini-SWE-agent2025-07-26
48GPT-4o38.8%42.8Agentless-1.52024-10-28
49Devstral Small 250738.0%–SWE-agent2025-07-25
50GPT-5 nanomedium34.8%45.6mini-SWE-agent2025-08-07
51Lingma SWE-GPT 72B28.8%–Lingma Agent2024-10-02
52Gemini 2.5 Flash28.7%52.4mini-SWE-agent2025-07-26
53gpt-oss-120b26.0%46.1mini-SWE-agent2025-08-07
54GPT-4.1 mini23.9%44.7mini-SWE-agent2025-07-20
55MCTS Refine 7B23.2%–MCTS-Refine-7B2025-06-27
56GPT-4 110622.4%–SWE-agent2024-04-02
57Llama 4 Maverick21.0%41.8mini-SWE-agent2025-07-20
58Lingma SWE-GPT 7B18.2%–Lingma Agent2024-10-02
59Claude 3 Opus15.8%38.8SWE-agent2024-04-02
60Llama 4 Scout9.1%38.2mini-SWE-agent2025-07-20

更多编程基准测试 · 全部大模型基准测试

引用格式:BenchLeader,《SWE-bench Verified (any scaffold) 排行榜》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/swe_bench_verified_any。

SWE-bench Verified (any scaffold):常见问题

SWE-bench Verified (any scaffold) 衡量的是什么?
SWE-bench Verified 包含 500 个来自热门 Python 仓库的真实 GitHub issue,每个都经过人工标注员筛选,确保任务描述清楚、测试公平。模型阅读 issue 并修改仓库,只有隐藏测试全部通过,补丁才算被接受。分数以完成任务的百分比表示,越高越好。
SWE-bench Verified (any scaffold) 的最高分是多少?
截至 2026年11月16日,SWE-bench Verified (any scaffold) 的最高分为 79.2%,由 Claude Opus 4.5 取得(结果日期 2025年12月5日),领先于 Gemini 3 Pro(77.4%)。分数来自 SWE-bench,每天重新读取。
哪个 AI 模型在 SWE-bench Verified (any scaffold) 上领先?
截至 2026年11月16日,SWE-bench Verified (any scaffold) 排名第一的是 Claude Opus 4.5,分数为 79.2%(结果日期 2025年12月5日)。其后为 Gemini 3 Pro(77.4%)。
有多少模型有 SWE-bench Verified (any scaffold) 结果?
BenchLeader 上有 65 个模型配置有 SWE-bench Verified (any scaffold) 结果,全部取自 SWE-bench。
SWE-bench Verified (any scaffold) 由谁运行,多久更新一次?
SWE-bench Verified (any scaffold) 由 SWE-bench 发布。BenchLeader 每天重新读取一次公布的结果,并记录每个结果的发布日期。
SWE-bench Verified (any scaffold) 是否计入 BenchLeader Index?
不计入。SWE-bench Verified (any scaffold) 仅作参考展示,不计入综合分数。