מבחן הערכה

SWE-bench Multimodal

מדד משני

מה הוא מודד

קוד ופיתוח תוכנה: כתיבת קוד נכון ועבודה בריפוזיטורי אמיתי · הבנה חזותית: הבנת תמונות, תרשימים ומסמכים סרוקים

מה הוא לא מודד

  • אינו בודק איכות עיצוב מערכת, אבטחה או תחזוקתיות לאורך זמן.

הערות רישום

באגים בממשקי משתמש הכוללים צילומי מסך.

תוצאות שנקלטו

אין עדיין רשומות מדד למדד הזה. הוא מופיע ברישום אך אינו משפיע על ציון.