FrontierSWE · v2 · 测试定义与成绩

FrontierSWE · v2 收录 7 次模型发布的评测披露或成绩。

测试版本与指标

别名 FrontierSWE v2

  • Mean score · % · 越高越好

各系列最新模型 · 公布成绩

常规展示范围。排名按指标与评测协议分组,已记录的工具、预算及框架分别展示。条件未说明的组保留公布值供查证。

Mean score %

FrontierSWE v2; 主文表格最高可用 effort,逐项档位未标。

FrontierSWE · v2 · Mean score · FrontierSWE v2; 主文表格最高可用 effort,逐项档位未标。
模型与配置成绩(%)记录与证据
Claude Fable 5.2未注明69.9%

FrontierSWE 2 official Proximal public leaderboard.

FrontierSWE · v2 · Mean score · FrontierSWE 2 official Proximal public leaderboard.
名次模型与配置成绩(%)记录与证据
1Gemini 4 Carbon未注明61.2%
2Gemini 4 Argon未注明55%

工具条件未记录 / max / Proximal · FrontierSWE v2; 34 ultra-long-horizon tasks; mean of five trials per task; Proximal agent harness; 20-hour trial budget.

FrontierSWE · v2 · Mean score · 工具条件未记录 / max / Proximal · FrontierSWE v2; 34 ultra-long-horizon tasks; mean of five trials per task; Proximal agent harness; 20-hour trial budget.
模型与配置成绩(%)记录与证据
Claude Haiku 5.5Max43.8%

工具条件未记录 / max / 框架未记录 · FrontierSWE v2, 34 ultra-long-horizon tasks; five trials per task.

FrontierSWE · v2 · Mean score · 工具条件未记录 / max / 框架未记录 · FrontierSWE v2, 34 ultra-long-horizon tasks; five trials per task.
模型与配置成绩(%)记录与证据
Claude Sonnet 5.5Max61.9%

工具条件未记录 / max / Proximal agent harness · FrontierSWE v2; Proximal agent harness; max reasoning effort; mean over five trials per task.

FrontierSWE · v2 · Mean score · 工具条件未记录 / max / Proximal agent harness · FrontierSWE v2; Proximal agent harness; max reasoning effort; mean over five trials per task.
模型与配置成绩(%)记录与证据
Claude Opus 5.5Max62.3%

历史记录 · 7 次发布

  • Claude Fable 5.2本次发布有 1 条成绩记录,含 1 条精确值(可含历史记录)
  • Gemini 4 Carbon本次发布有 1 条成绩记录,含 1 条精确值(可含历史记录)
  • Claude Haiku 5.5本次发布有 1 条成绩记录,含 1 条精确值(可含历史记录)
  • Gemini 4 Argon本次发布有 1 条成绩记录,含 1 条精确值(可含历史记录)
  • Claude Sonnet 5.5本次发布有 1 条成绩记录,含 1 条精确值(可含历史记录)
  • Claude Opus 5.5本次发布有 1 条成绩记录,含 1 条精确值(可含历史记录)
  • Claude Fable 5.1本次发布有 2 条成绩记录,含 2 条精确值(可含历史记录)