SWE-Journey：长程多轮交互的编码助手评测基准

2026年10月9日，研究者在 arXiv 发布 SWE-Journey 基准，旨在更真实地评测编程助手在长周期、多轮交互中的表现。该基准通过弱到强合成流水线自动构建长周期编程任务，并从真实交互数据中挖掘四类用户画像，构建用户模拟智能体以还原多轮代码辅助交互。评测结果显示，模型在软件架构师场景下平均通过超过 75% 的功能测试，而在非程序员场景下不足 25%。研究将这一差距归因于问对、找对、修对三项关键交互能力。这是该事件的首篇报道，目前未见与其他报道矛盾之处。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。