AI 产品
SWE Refactor Bench：编码智能体通过固定测试仍可能偏离重构任务
一则关于 SWE Refactor Bench 的讨论称，在520次运行中，340次完成迁移审计，88次通过全部固定测试，但仅28次通过完整的三阶段评估。该结果被用来说明：通过测试不等于完成整个代码仓库的重构目标。上述数据来自非官方的 X 帖文，目前仅能确认其讨论内容，基准测试细节及数据仍需官方材料佐证。
多来源证据
事件时间线
- Twitter/X AI List编码智能体可以通过测试，却仍未完成任务
AI 产品
一则关于 SWE Refactor Bench 的讨论称，在520次运行中，340次完成迁移审计，88次通过全部固定测试，但仅28次通过完整的三阶段评估。该结果被用来说明：通过测试不等于完成整个代码仓库的重构目标。上述数据来自非官方的 X 帖文，目前仅能确认其讨论内容，基准测试细节及数据仍需官方材料佐证。