Datacurve 发布 DeepSWE 基准：测出编程智能体的真实差距

如果你平时用 AI 写代码，大概早就发现了：各种排行榜上顶尖模型的分数咬得死死的，但实际换到自己的项目里，好不好用完全是两码事。

Datacurve 针对这个问题发布了一个叫 DeepSWE 的全新基准测试，专门用来评估智能体编程模型。

测出日常开发里的真差距

Datacurve 表示，现在的公开排行榜很难看出头部模型之间的区别，大家看起来能力差不多。但 DeepSWE 的目标是还原开发者真实的日常工作体验，把模型在真实场景里到底在哪里拉开差距给测出来。

为什么重要

现在的编程评测很多已经刷分饱和，导致很多模型成了跑分选手，一进复杂真实项目就掉链子。

我们认为，DeepSWE 尝试解决的就是这种跑分与体验脱节的痛点。对开发者来说，如果它能有效反映真实工程环境下的表现，大家挑选模型时就不必再被虚高的公开榜单误导；对行业来说，这也可能倒逼各家模型不再只死磕固定考卷，而是认真去啃日常开发里那些琐碎又容易翻车的长尾问题。