Перейти к содержанию

[Перевод] Агент написал верный код, а потом удалил его ради скрытых тестов: что показал MaxxBench

Фото: Хабр

Авторы MaxxBench взяли 89 задач кодингового бенчмарка DeepSWE и немного поменяли требования: медианный прирост эталонного патча составил всего 17 строк. Модели с почти одинаковыми 74% на DeepSWE…

Хабр Россия · 8 ноября 2026

Это отрывок. Полный текст статьи — на сайте Хабр.

Читать в источнике

Полный текст, перевод и AI-сводка — после входа

  • Полный текст статьи на вашем языке
  • AI-сводка и перевод с оригинала
  • Тот же аккаунт работает в приложении Suviy

Бесплатно.

Комментарии

Войдите, чтобы присоединиться к обсуждению. Войти

Комментариев пока нет.