超长时程评估基准 SWE Odyssey 发布

超长时程评估系列中的标准化基准 SWE Odyssey 正式发布，旨在测试智能体在数小时内自主运行并构建正确成果的能力。随着现有基准逐渐饱和，该评估为验证更大规模的自主能力提供了可量化的测试方法。这为评估 AI 智能体在复杂长线任务中的表现提供了新工具，有助于推动相关技术的进一步发展。