研究指出，SWE-bench Verified基準測試可能高估AI編程能力。該測試中被判“通過”的AI代碼方案，約一半在實際項目審覈中會被拒絕，顯示自動化評測與真實工程質量存在明顯差距。這一發現對AI輔助軟件工程評估標準提出了重要質疑。
MiniMax 發佈 M2.5 模型，這是其 M2 系列在 108 天內的第三次升級。模型開源權重同步上線魔搭 ModelScope，在編程、搜索、辦公等多場景表現領先，實現了能力、效率與成本的三重突破。該版本提供從零代碼使用到私有化部署的全流程方案，並附有工具調用與推理參數調優的實戰指南，旨在推動低成本 Agent 時代的到來。M2.5 在多項評測中成績突出，例如在 SWE-Bench Verified 中表現亮眼。
智譜AI開源模型GLM-4.7-Flash發佈兩週，在Hugging Face下載量突破100萬。這款30B-A3B混合思考模型性能強勁，在SWE-bench Verified和τ²-Bench等測試中，綜合表現超越gpt-oss-20b及Qwen3-30B-A3B-Thinking-2507，在同尺寸模型中領先。
九坤投資推出AI大模型IQuest-Coder-V1系列，具備強大代碼生成與理解能力。該系列提供7B、14B和40B三種參數版本，其中40B版本在SWE-Bench Verified榜單上表現突出，以81.4%的成績超越Claude Opus-4.5和GPT-5.2等知名模型，引發科技界關注。
AI模型軟件工程能力評估工具
Anthropic
$21
輸入tokens/百萬
$105
輸出tokens/百萬
200
上下文長度
Openai
$8.75
$70
400
$525
Chatglm
$2
$8
128
Xai
-
Kwaipilot
KAT-Dev-72B-Exp是一款用於軟件工程任務的720億參數開源大語言模型，在SWE-Bench Verified基準測試中達到74.6%的準確率，是KAT-Coder模型的實驗性強化學習版本。
moonshotai
Kimi-Dev-72B 是一款用於軟件工程任務的開源編碼大語言模型，在 SWE-bench Verified 上取得了開源模型中的最優成績。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
