نطاق معياري مشترك · SWE-bench Verified

مقارنة الوكلاء ضمن المعيار نفسه

أدلة تاريخية

تشترك الإدخالات أدناه في نطاق المعيار المرجعي نفسه. وتظل بنياتها التوجيهية الدقيقة وإصدارات نماذجها وتواريخها وقيم المصدر الأصلية ظاهرة.

تعني قيمة المصدر الأعلى أداءً أفضل في هذا المعيار والتكوين فقط. وليست درجة عابرة للمعايير أو مؤشرًا للجاهزية للإنتاج.

قارن المتماثل بالمتماثل

نظرة عامة على القرار

لا يمكن وضع إعدادات في مقارنة واحدة إلا إذا كانت من إصدار المعيار ونطاق المهمة نفسيهما.

بيانات أبلغ عنها المصدر؛ تبقى القيم المفقودة مجهولة.

SWE-bench Verified · محلول

الفروق في لمحة	live-SWE-agent + Claude 4.5 Opus medium (20251101)	live-SWE-agent + Gemini 3 Pro Preview (2025-11-18)
نقاط القوة	نتيجة منشورة أعلى: 79.2%	—
القيود والمفاضلات	—	نتيجة منشورة أقل: 77.4%
القدرات والتكلفة	النموذج الأساسي: Claude 4.5 Opus medium (20251101)البنية: live-SWE-agent	النموذج الأساسي: Gemini 3 Pro Preview (2025-11-18)البنية: live-SWE-agent
	تفاصيل Agent →	تفاصيل Agent →

جميع البيانات والمصادر

أُخفي 17 من الحقول المتطابقة أو غير المُبلّغ عنها بالكامل

نظام Agent	live-SWE-agent + Claude 4.5 Opus medium (20251101)	live-SWE-agent + Gemini 3 Pro Preview (2025-11-18)
الإعداد
النموذج الأساسي	Claude 4.5 Opus medium (20251101)	Gemini 3 Pro Preview (2025-11-18)
معرّف نموذج المصدر أو تسميته	claude-opus-4-5-20251101	gemini-3-pro-preview
النتيجة
محلول	79.2%	77.4%
الثقة
تاريخ التقييم	15 ديسمبر 2025	20 نوفمبر 2025
المصدر
فتح المصدر	فتح المصدر ↗	فتح المصدر ↗

بيانات أبلغ عنها المصدر؛ تبقى القيم المفقودة مجهولة.

تنشئ التصنيفات العامة قائمة مختصرة. وتحدد تجربة خاصة صغيرة ما إذا كان الإعداد يلائم عملك.

1
اختر من 10 إلى 20 مهمة تمثيلية وحدد شرط اجتياز واضحًا.
2
ثبّت الوكيل والنموذج والأدوات والأذونات والميزانية قبل الاختبار.
3
نفّذ كل مهمة مهمة أكثر من مرة؛ وسجّل النجاح والتكلفة والوقت وحالات تولي الإنسان للمهمة.
4
راجع الإخفاقات ومخاطر معالجة البيانات قبل اتخاذ قرار بشأن بيئة الإنتاج.