Tag: SWE-bench

Zwei Drittel der 188 falschen Patches gehen auf fehlerhafte Behauptungen im Denkprotokoll zurück – Korrektur behebt 89 Prozent der Fälle

23. Oktober 2026

Richter-Etiketten treffen den entscheidenden Schritt nur in 7 von 188 Fällen – Neustart am gemessenen Punkt hebt den Erfolg von 0,44 auf 0,57

13. Oktober 2026

AutoCompact: Coding-Agenten lernen selbst, wann der Kontext komprimiert wird

1. Oktober 2026

Kein Agenten-Benchmark erreicht 50 % Einsatzreife: SWE-bench landet bei 20 %

24. April 2026

OpenAI zieht SWE-Bench-Standard zurück: 59,4 % fehlerhafte Tests

23. Februar 2026

Anthropics Claude Opus 4.5 veröffentlicht

1. November 2025

Qwen3-Max: Alibaba stellt Flaggschiff mit über 1 Billion Parametern vor

24. September 2025

GPT-5: Einheitliche Systeme mit eingebautem Denken

7. August 2025

Anthropic veröffentlichte Claude Opus 4.1: Dominierende Skriptbench-Noten

1. August 2025

Darwin Godel Machine: Offene Evolution selbstverbessernder KI-Agenten

29. Mai 2025

Claude 4: Weltweit beste Code-Model releases

22. Mai 2025

Gemini 2.5: Unser intelligentestes KI-Modell

25. März 2025