Datacurve 釋出 DeepSWE 基準：測出程式設計智慧體的真實差距

如果你平時用 AI 寫程式碼，大概早就發現了：各種排行榜上頂尖模型的分數咬得死死的，但實際換到自己的專案裡，好不好用完全是兩碼事。

Datacurve 針對這個問題釋出了一個叫 DeepSWE 的全新基準測試，專門用來評估智慧體程式設計模型。

測出日常開發裡的真差距

Datacurve 表示，現在的公開排行榜很難看出頭部模型之間的區別，大家看起來能力差不多。但 DeepSWE 的目標是還原開發者真實的日常工作體驗，把模型在真實場景裡到底在哪裡拉開差距給測出來。

為什麼重要

現在的程式設計評測很多已經刷分飽和，導致很多模型成了跑分選手，一進複雜真實專案就掉鏈子。

我們認為，DeepSWE 嘗試解決的就是這種跑分與體驗脫節的痛點。對開發者來說，如果它能有效反映真實工程環境下的表現，大家挑選模型時就不必再被虛高的公開榜單誤導；對行業來說，這也可能倒逼各家模型不再只死磕固定考卷，而是認真去啃日常開發裡那些瑣碎又容易翻車的長尾問題。