SWE-Prometheus：用 60 个代码仓库评测工程治理能力的新基准

SWE-Prometheus 是一个评测编码智能体工程治理能力的新基准，任务从修 bug 扩展到识别仓库风险、排序干预并验证改动，覆盖 6 个治理维度、共 60 个仓库。10 个模型在 22 个仓库的公开子集上评测，平均 Normalized Governance Improvement 介于 0.0568 到 0.5760，行为破坏率在 0% 到 23% 之间。一个与仓库无关的模板在冻结的 10 仓库批次上取得平均 NGI 0.272，但增益集中在 Tests & CI、Quality Gates 和 Documentation，在 Reproducible Environment 与 Dependency & Security 上没有提升。论文还报告了 no-op 条件的中位 NGI 为零，两名教师在 60 个维度评分中 exact agreement 达 57 个，并指出包含行为失败的对比中 Kimi-K3 占优。