swe-bench — AI Digest

2 июн Microsoft Build 2026: запуск семейства моделей MAI для GitHub Copilot без зависимости от OpenAI Microsoft models-llm
29 апр Mistral выпустила Medium 3.5 — 128B dense, 256k контекста, открытые веса Mistral models-llm
3 мая Mistral выпускает Medium 3.5 — открытый флагман и удалённые агенты для программирования в Vibe Mistral AI models-llm
19 авг StateM: масштабирование harness поднимает GPT-5.6 Sol до 95,3% на Terminal-Bench 2.1, и тот же harness адаптируется к DeepSeek-V4 Flash при общих затратах $15 research
4 мая Poolside открывает исходники Laguna XS.2 и M.1: первые open-weight агентские модели для кодинга от американского стартапа Poolside models-llm
26 июн DeepReinforce выпускает Ornith-1.0: открытые модели для программирования, самостоятельно обучающие свои RL-каркасы DeepReinforce tools
2 июл Dockerless: верификатор программ без окружения для агентов кодирования ByteDance research
26 авг AutoSaddler: автоматическая оптимизация харнесса с устойчивыми обновлениями по трассам исполнения агента Microsoft research
23 окт Recursive выпускает Flint — кодинговую MoE на 40B под Apache-2.0, работающую локально Recursive models-llm
7 июл CompactionRL: обучение с подкреплением с компакцией контекста для long-horizon-агентов Zhipu AI / Tsinghua University research
19 авг Cline открывает исходники оценок на основе Terminal-Bench для open-weight кодинг-агентов Cline tools
23 авг EnvHarness: Awakening Static Worlds for Agent Learning Google research
8 сен Bilevel Coordinated Reflection: теоретико-игровой подход к multi-agent LLM-системам research
25 сен Код-репозиторий Шрёдингера: LLM выучили SWE-bench или зазубрили его? Shanghai Jiao Tong University research
7 июл SWE-Together: многоходовой бенчмарк для оценки агентов программирования research
24 авг SWE-bench Science: могут ли кодинг-агенты решать инженерные задачи в науке? OpenMOSS research
24 июн SHERLOC: структурированная диагностическая локализация сокращает потребление токенов при ремонте кода на 36,7% research
26 июл NVIDIA-labs OO Agents: нативные объектно-ориентированные агенты на Python NVIDIA research
11 авг SWE-Bench ProMax: тестирование агентов на масштабном мультиязычном рефакторинге кода research
23 авг Qwen Code v0.22.0 stable release Alibaba tools