Swe Bench Verified 2025

Benchmark

Software engineering benchmark that measures real repository issue resolution.

Kärkitulos 80,8 %

Mediaani 79,6 %

Tuloshaitari 70,8 % - 80,8 %

Tulostaulukko

Oletuksena mukana ovat vain ajantasaiset julkiset mallit. Avaa halutessasi myös vanhemmat ja poistuvat rivit.

Sija	Malli	Tulos	Lähde
#1	Claude Opus 4.6 Anthropic	80,8 %	Anthropic · Päivitetty 21.3.2026
#2	Gemini 3.1 Pro Google DeepMind	80,6 %	Google · Päivitetty 21.3.2026
#3	Claude Sonnet 4.6 Anthropic	79,6 %	Anthropic · Päivitetty 21.3.2026
#4	Claude Haiku 4.5 Anthropic	73,3 %	Anthropic · Päivitetty 21.3.2026
#5	Grok Code Fast 1 xAI	70,8 %	xAI · Päivitetty 21.3.2026

Testi