让编码模型修一个 Python 项目，和让它接手一家公司的整套代码库，不是一回事：现实团队还会用 Go、Java、Rust 和 TypeScript，各自有不同的构建、依赖与测试工具。SWE-rebench 此次把评测扩展到五种语言的真实软件工程任务，让模型在代码仓库里修复问题，再由测试判断是否成功。它比生成一小段孤立代码，更接近日常维护工作。
这次最值得看的，是“第一次做对”和“多试几次做对”之间的距离。发布者给出的榜单中，GLM-5.2 的 Pass@1 为 62.9%，即首次尝试通过的比例；Pass@5 为 81.1%，即最多尝试五次后至少成功一次的比例。DeepSeek-V4 Pro 两项分别为 40.2% 和 64.0%，Qwen3.6-27B 则为 31.2% 和 57.7%。这说明榜单不仅在比较模型会不会写代码，也在观察一次交付是否可靠。上述数据来自项目发布者，材料未披露各语言的任务数量与分项成绩，因此暂时不能判断模型具体在哪种语言上更强。