Các mô hình Trung Quốc lần trước xếp toàn bộ top 10 trong SWE-rebench bị chế nhạo là "gian lận điểm", lần này chiếm bốn vị trí

Theo theo dõi của 1M AI News, SWE-rebench là một bài kiểm tra chuẩn mới dựa trên thời gian thực, lấy dữ liệu từ GitHub hàng tháng về các nhiệm vụ phần mềm mới (issue + PR), mô hình không thể tối ưu hóa trước cho các đề bài. Người duy trì Ibragim đã công bố cập nhật bảng xếp hạng vào ngày 23 tháng 3, loại bỏ các ví dụ trình diễn trước đó và giới hạn 80 bước, đồng thời thêm các nhiệm vụ đánh giá hỗ trợ.

Top 10 mới nhất:

1. Claude Opus 4.6: 65.3%
2. GPT-5.2 medium: 64.4%
3. GLM-5: 62.8%
4. GPT-5.4 medium: 62.8%
5. Gemini 3.1 Pro Preview: 62.3%
6. DeepSeek-V3.2: 60.9%
7. Claude Sonnet 4.6: 60.7%
8. Claude Sonnet 4.5: 60.0%
9. Qwen3.5-397B-A17B: 59.9%
10. Step-3.5-Flash: 59.6%

Mô hình mã nguồn mở của Zhipu AI, GLM-5 (giấy phép MIT), xếp thứ ba với 62.8%, là mô hình mã nguồn mở cao nhất trong bảng xếp hạng. Trong top 10, có 4 mô hình của Trung Quốc, ngoài GLM-5 còn có DeepSeek-V3.2 (thứ sáu), Qwen3.5-397B-A17B của Alibaba (thứ chín), và Step-3.5-Flash (thứ mười). Người phụ trách toàn cầu của Zhipu Z.ai, Lý Tử Huyền, bình luận rằng lần cập nhật trước của SWE-rebench, các mô hình Trung Quốc đều không nằm trong top 10, bị chỉ trích là “benchmaxing” (đẩy điểm).