基准与榜单

SWE-Bench Pro 排行（2026-10-07）：Scale AI 官方公开集与私有集榜单原文

截至 2026-10-07，Scale AI 官方 SWE-Bench Pro 公开集榜单前两名为 Muse Spark 1.1*（61.50）与 gpt-5.4 (xHigh)*（59.10），私有集前两名为 Muse Spark 1.1*（51.5）与 claude-opus-4-6 (thinking)*（47.1）。本页照录榜单原文与图例，不做选型结论。

更新于 2026-10-08

Ornith-1.5 的自评估方法

不依赖公开跑分，自己判断新模型是否适合你的活。

更新于 2026-10-08

AA Index 解读：v4.3.2 的 10 项权重

截至 2026-10-07 的 10 项评测、四大类权重与 v4.1 旧权重对照

更新于 2026-10-07

Terminal-Bench 3.0 完整解读

TB 3.0 vs 2.1 区别、当前榜单与在售模型对应

更新于 2026-09-21

Terminal-Bench 2.1 榜单解读

三份榜单三个第一：官方 83.8 / AA 89.5 / vals 85.77 差异全解

更新于 2026-09-21

SWE-bench Pro 三个第一口径全解

80.3 / 80.0 / 官方榜：数据切分与 scaffold 的真相

更新于 2026-08-22

从 SWE-Bench 到生产：2026 基准如何（不）转化为交付速度

SWE-Bench 88% 听起来很酷，但在你的私有仓库里经常只有 30%。理解差距，构建自己的验证 harness 才是王道。

更新于 2026-08-17

Claude Fable 5 SWE-Bench Pro 分数解读

80.3% 分数来源、官方口径 vs 独立复现的争议，以及参考价值与局限

更新于 2026-08-15