超长时程评估基准 SWE Odyssey 发布

摘要与判断

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。

Topics

引用和原文

• Announcing SWE Odyssey, a standardized benchmark in our family of ultra-long-horizon evalu
• 原文链接

Trace

Raw Item

raw_1534c5b29ada4091

Processed Item

processed_8e156522d6f14a67

Source

source_x_garrytan

Cluster

查看所属簇

LLM Logs

llm_94f850a67ff3458f, llm_3c5fe6fbbf9a42f4, llm_41e50cff60fc49b9

Coze Loop

5fa978670d3d2bef61e01ed9c7783c95