Claude Sonnet 5.5 · ProgramBench · 166 个保留的 golden tasks;架构与时限按协议区分 · 成绩与配置

Claude Sonnet 5.5 的 ProgramBench · 166 个保留的 golden tasks;架构与时限按协议区分 记录。本次发布有 1 条成绩记录,含 1 条精确值(可含历史记录),附 2 条来源定位。

成绩与评测条件

Claude Sonnet 5.5 · ProgramBench 成绩与配置
指标与成绩配置与评测条件出处
Hidden test pass rate79.7%原文 79.7% · 单位 %
公布 未确认
Adaptive thinking, max effort
设置
Adaptive thinking enabled; max effort.
未知项
Sampling settings may vary by benchmark; see each result.conditions.
工具
工具条件未记录
推理预算
max
框架
未记录
协议
ProgramBench, 166 tasks after excluding 34 flaky reference binaries; hidden-test pass rate over five episodes.
条件
mini-swe-agent; no six-hour upstream time limit; fresh context budget up to 1M tokens per episode.
在排名中查看此成绩

出处与披露

测试版本与指标

别名 ProgramBench、Multi-Agent ProgramBench

  • Hidden test pass rate · % · 越高越好
  • Score · 单位未标注 · 越高越好