מבחן הערכה
DeepSWE
מדד משני
מה הוא מודד
קוד ופיתוח תוכנה: כתיבת קוד נכון ועבודה בריפוזיטורי אמיתי · כתיבת קוד עצמאית: כתיבת קוד בתוך תהליך רב שלבי עם כלים
מה הוא לא מודד
- אינו בודק איכות עיצוב מערכת, אבטחה או תחזוקתיות לאורך זמן.
תוצאות שנקלטו
| מערכת | ציון | פרוטוקול | מקור |
|---|---|---|---|
| GPT-5.6 Sol | 72.7 | DeepSWE · דיווח של הספק | קישור |
| GPT-5.6 Terra | 69.6 | DeepSWE · דיווח של הספק | קישור |
| Claude Opus 5 | 68.8 | DeepSWE · דיווח של הספק | קישור |
| Kimi K3 | 67.5 | DeepSWE · דיווח של הספק | קישור |
| GPT-5.6 Luna | 67.2 | DeepSWE · דיווח של הספק | קישור |
| GLM-5.3 | 66.9 | DeepSWE · דיווח של הספק | קישור |
| Grok 4.6 | 65.9 | DeepSWE · דיווח של הספק | קישור |
| DeepSeek V4 Pro 0813 | 62.7 | DeepSWE · דיווח של הספק | קישור |
| Muse Spark 1.2 | 59.3 | DeepSWE · דיווח של הספק | קישור |
| Qwen3.8-Flash-Next | 58.7 | DeepSWE · דיווח של הספק | קישור |
| Muse Spark 1.1 | 53.3 | DeepSWE · דיווח של הספק | קישור |
| Grok 4.5 | 53.0 | DeepSWE · דיווח של הספק | קישור |
| Gemini 3.6 Flash | 49.0 | DeepSWE · דיווח של הספק | קישור |
| Qwen3.8-27B | 42.2 | DeepSWE · דיווח של הספק | קישור |