SWE-Duel：迈向可自扩展的编程 Agent 竞技场

英文标题：SWE-Duel: Towards a Self-Scaling Arena for Coding Agents

论文指出，传统静态编程基准在发布后任务集固定，随着时间推移会泄漏到训练数据中。随着 Agent 能力增强，这类基准最终可能被“刷满”，难以继续有效区分模型能力。作者主张评测基准应具备自扩展能力，即在评测时动态创建任务及其评判机制（oracles），以持续适应更强的编程 Agent。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB