SWE-bench

找到 2 篇关于此标签的文章

Claude Opus 4.7Anthropic

Opus 4.7 来了，我并不建议你升级

Anthropic 发布 Claude Opus 4.7，移除 temperature/top_p/top_k 参数支持，新 tokenizer 导致实际费用最高上涨 35%，生产环境升级需谨慎。

LangSmithDeepEval

别再追逐排行榜：伯克利揭露有缺陷的 AI Agent 基准测试

伯克利研究人员揭示了顶级 AI 基准测试中的关键数据污染问题。了解如何验证您自己的 Agent 工具、避免过拟合，并构建更可靠的系统。