SWE-bench Pro（论文）
按原文转述：长周期仓库任务、抗污染设计、前沿模型低于 25%。
SWE-bench Pro
2025-09-19。更长、抗污染的仓库题。GPT-5 统一脚手架约 23%。与 Verified 不可横比。
Scale AI 等，2025-09-19。1,865 题、41 个仓库；公开集 731。统一脚手架下前沿模型 Pass@1 低于 25%。
原文：arXiv:2509.16941。博文：SWE-Bench Pro。
Scale AI 等，2025-09-19。1,865 题、41 个仓库；公开集 731。统一脚手架下前沿模型 Pass@1 低于 25%。
原文：arXiv:2509.16941。博文：SWE-Bench Pro。
按原文转述：长周期仓库任务、抗污染设计、前沿模型低于 25%。
Verified 上的七成，换硬考卷掉到两成。谓词不同，完成率不可横比。2025 编码主线的警示尺。