基准与榜单

Terminal-Bench 3.0 完整解读

TB 3.0 vs 2.1 区别、当前榜单与在售模型对应

更新于 2026-08-27

Artificial Analysis 智能指数解读

9 项子测试权重全解析与常见误解

更新于 2026-08-27

Terminal-Bench 2.1 榜单解读

三份榜单三个第一：官方 83.8 / AA 89.5 / vals 85.77 差异全解

更新于 2026-08-22

SWE-bench Pro 三个第一口径全解

80.3 / 80.0 / 官方榜：数据切分与 scaffold 的真相

更新于 2026-08-22

Ornith-1.5 的自评估方法

不依赖公开跑分，自己判断新模型是否适合你的活。

更新于 2026-08-20

Claude Fable 5 SWE-Bench Pro 分数解读

80.3% 分数来源、官方口径 vs 独立复现的争议，以及参考价值与局限

更新于 2026-08-08

从 SWE-Bench 到生产：2026 基准如何（不）转化为交付速度

SWE-Bench 88% 听起来很酷，但在你的私有仓库里经常只有 30%。理解差距，构建自己的验证 harness 才是王道。

更新于 2026-07-13

SWE-Bench Pro 2026 编程模型排行：Opus 4.7 vs GPT-5.5 vs GPT-5.3-Codex

SWE-Bench Pro 2026 编程模型横评：GPT-5.3-Codex 56.8% SOTA、GPT-5.5 58.6%、GPT-5.2-Codex 56.4%/80% Verified、Claude Opus 4.8 Fast Mode 默认。本指南讲基准本身、Q1-Q2 分数演进、业务场景选型、通过 QCode 接入统一通路。

更新于 2026-05-16