SWE-bench 大模型得分排行榜
数据来源：DataLearnerAI
SWE-bench详细排名数据表格
排名
模型
得分
发布时间
参数(亿)
随着大语言模型（LLM）的快速发展，它们在自然语言处理（NLP）、代码生成等领域的表现已达到前所未有的高度。然而，现有的代码评测基准（如 HumanEval）通常侧重于**自包含的、较短的代码生成任务**，而未能充分模拟真实世界的软件开发环境。为弥补这一空白，研究者提出了一种全新的评测基准——**SWE-Bench**，旨在测试 LLM 在**真实软件工程问题**中的能力。
模型模式说明
不同模式会显著影响成绩，请在对比榜单时留意标签提示。
提示：若某条记录未显示任何标签，即默认是 normal 常规模式。
normal
常规推理：单步推理，不延长思考、也不调用额外工具。
thinking
low
medium
high
Thinking 系列：常规延长思考时间，low/medium/high 代表不同耗时或深度，各厂商叫法不同。
deeper thinking
Deeper thinking：在 Thinking 基础上进一步延长思考链条，通常意味着更多算力与时间。
使用工具 / 联网
允许调用检索、浏览器、代码解释器等外部能力。
parallel_thinking
并行思考：多线程/多代理协同探索再汇总，通常只在厂商内部实验环境中启用、尚未对外开放，因此被视为“作弊”模式。
