Microsoft 提出协同进化方法，将 Qwen3.5-35B-A3B 编码基准解决率从 57.8% 提升至 64.8%
Microsoft 这篇把 harness 和模型一起做协同进化，Qwen3.5-35B-A3B 三个编码基准解决率从 57.8% 拉到 64.8%，还能用 Opus 4.8 当提出者把经验迁移给小模型。
#编码基准
共 8 条 · 7 天 0 条 · 30 天 1 条
信息流里打上「编码基准」标签的资讯、产品与论文，按刊登时间排，新的在上。
10月21日
9月3日
7月19日
开源模型Kimi K3登顶Arena前端代码榜，超越Claude Fable 5和GPT-5.6 Sol
中国开源模型Kimi K3编码能力比Claude和GPT还强，价格却便宜好几倍，做长上下文编程选它准没错。
7月9日
OpenAI分析揭示SWE-Bench Pro编码基准的可靠性问题
OpenAI发文说SWE-Bench Pro这个编码基准有噪声问题，做评估的得留个心眼。
Grok 4.5价格远低于Fable 5和GPT-5.5，基准差距被淡化
Grok 4.5每百万token才2美元，编码虽不如Fable 5但便宜到可以忽略差距，性价比碾压。
6月28日
DeepSeek Pro Max 模式在编码基准上超越 GPT-5.4、Gemini 3.1 Pro 等
DeepSeek 拿 Pro Max 模式在 LiveCodeBench 等三大编码基准上直接碾压 GPT-5.4 和 Claude Opus 4.6，分数拉满，但还没开放下载，先来围观一下。
6月17日
GLM 5.2 在 FrontierSWE 基准排名第三，超越 GPT-5.5
GLM 5.2 在编码基准上干掉了 GPT-5.5，开源里最强，值得关注。
6月9日
METR 编码基准饱和？Cognition 发布 FrontierCode 新评测，Claude Opus 4.8 仅 13.4%
做 AI 编程评估或关注模型实际能力的开发者，这个新基准直接戳中了当前模型的软肋——代码能跑但不可维护，值得看看你的模型能拿几分。
