SWE-Shift 基准发布：评估执行中途变更下的编码智能体
原文标题：SWE-Shift: Evaluating Coding Agents in Evolving Workspaces
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究者提出 SWE-Shift 基准，模拟代码、依赖与需求在智能体执行过程中发生变化的情形，包含 120 个场景、12 类变更与 9 个干预位置。评测 17 个编码智能体系统，全部在变更场景下成功率低于无变更场景，GPT-6 Astra 从 67.35% 降至 24.79%。结果表明任务成功并不等于能保住已有工作、恢复状态或刷新证据。
- 问题
- 仓库级编码基准假设执行期间任务与环境不变，脱离真实开发。
- 方法
- 构造配对的无干预与中途变更续跑场景，成功需完成任务并保住有效工作、恢复状态、刷新证据。
- 结果
- 120 场景、12 类变更、9 个干预位置；17 个系统全部下降，GPT-6 Astra 从 67.35% 降至 24.79%。
- 影响
- 编码智能体上线前必须测中途变更下的状态恢复与证据刷新，单次任务成功率会严重高估能力。
深读 · 结论先行AI 生成展开看要点与影响 ↓
SWE-Shift 评测 17 个编码智能体，执行中途变更后成功率全部下降
- •基准含 120 个场景、12 类变更、9 个干预位置，对比无干预与匹配变更两种续跑
- •17 个编码智能体系统在变更场景下成功率均低于无变更场景
- •GPT-6 Astra 从 67.35% 降至 24.79%，配对成功率仅 20.34%
- •工具/会话变更与过期证据两类，在所有系统上配对成功率为零
- •晚位置干预的配对成功率因系统而异，有升有降
为什么重要：现有仓库级基准默认环境不变，SWE-Shift 指出「任务做对」与「变更后保住工作、恢复状态」是两种能力，对编码智能体评测设计有直接影响。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。