30. května 2026
DeepSWE: nový benchmark ukazuje, proč coding agenti selhávají na dlouhých úkolech
↻ AktualizovánoDatacurve 26. května 2026 zveřejnil DeepSWE: benchmark pro dlouhé coding-agent úlohy. Důležité není jen skóre modelů, ale způsob měření: originální úlohy, větší změny v repozitářích a behaviorální verifikace.
Číst dále→