提出UserSWE多轮编码代理基准

论文作者提出并发布UserSWE基准，用于评测编码智能体通过与动态用户多轮交互来修复仓库级bug，每轮以基于执行结果（以测试结果为主）的判定机制打分。 该基准的流程把仓库历史和单轮基准转换为多轮任务，persona链基于20,859个开发会话校准。作者在42个仓库的72个任务上评测了11个智能体，发现智能体排名会随交互预算的变化而改变。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。