SWE-bench / SWE-bench

准备对应数据与预测结果，按官方Docker评测流程执行。

适用场景：适合以真实仓库问题评估代码修复智能体。 选型提示：不同数据子集和评测条件不能直接混成一个可比较分数。

部署难度：准备对应数据与预测结果，按官方Docker评测流程执行。