SWE-bench

Определение

Бенчмарк для многошаговой оценки агентов на реальных задачах разработки ПО (GitHub issues).

Где встречается

• 874. Как оценивать multi-step agents (не только final answer)

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление