korshunov.ai Semua yang penting di dunia ML
ID
Benchmark · agentic

DeepSWE

25 hasil 20 model

DataCurve's long-horizon real-repo coding-agent suite (headline metric = pass@1 resolve rate); Artificial Analysis swapped SWE-bench Pro out of its Coding Agent Index for it. Not a SWE-bench variant.

0 23.5 47 70.5 94 2026-07-27 2026-08-18 2026-09-10 Kimi K3 · 68.5 · 2026-07-27 GPT-5.6 Sol · 72.7 · 2026-07-27 GPT-5.6 Sol · 85.8 · 2026-08-18 Gemini 3.6 Flash · 49 · 2026-07-27 DeepSeek-V4-Flash · 54.4 · 2026-07-31 DeepSeek-V4-Flash-0731 · 54.4 · 2026-07-31 Qwen3.8-Max · 56.6 · 2026-08-03 DeepSeek-V4 Flash 0731 · 53.3 · 2026-08-07 GPT-5.6 Luna · 67.2 · 2026-08-07 Grok 4.6 · 65.9 · 2026-08-13 DeepSeek-V4-Pro · 62.7 · 2026-08-13 Gemini 3.7 Flash · 65.3 · 2026-08-13 GLM-5.3 · 66.9 · 2026-08-17 GLM-5.3 · 69 · 2026-08-22 DeepSeek V4 Pro 0813 · 88.5 · 2026-08-18 DeepSeek V4 Pro 0813 · 62.8 · 2026-08-18 Claude Fable 5 · 69.7 · 2026-08-18 Claude Fable 5 · 69.7 · 2026-08-22 Ornith-1.5 · 56 · 2026-08-19 Ornith-1.5 · 56 · 2026-08-20 DeepSeek-V4-Flash-Vision-Exp · 59.3 · 2026-08-21 GLM-5.3-Flash · 63 · 2026-08-26 Muse Spark 1.3 · 75.4 · 2026-09-04 GPT-6 Astra · 74.1 · 2026-09-04 DeepSeek-V4.1-Flash · 74.2 · 2026-09-10
Kimi K3 GPT-5.6 Sol Gemini 3.6 Flash DeepSeek-V4-Flash DeepSeek-V4-Flash-0731 Qwen3.8-Max DeepSeek-V4 Flash 0731 GPT-5.6 Luna Grok 4.6 DeepSeek-V4-Pro Gemini 3.7 Flash GLM-5.3 DeepSeek V4 Pro 0813 Claude Fable 5 Ornith-1.5 DeepSeek-V4-Flash-Vision-Exp GLM-5.3-Flash Muse Spark 1.3 GPT-6 Astra DeepSeek-V4.1-Flash
Linimasa
Tanggal Model Skor Sumber
2026-09-10 DeepSeek-V4.1-Flash 74.2% DeepSeek merilis model V4.1-Flash dengan dukungan multimodal asli
2026-09-04 GPT-6 Astra 74.1% OpenAI merilis GPT-6 Astra, model penggunaan komputer dengan konteks 1,05 juta
2026-09-04 Muse Spark 1.3 75.4% Meta merilis Muse Spark 1.3 dengan lebih sedikit panggilan alat dan token
2026-08-26 GLM-5.3-Flash 63.0% Ox Alpha adalah GLM-5.3-Flash
2026-08-22 GLM-5.3 69.0% GLM-5.3 menyamai akurasi Claude Fable 5 pada DeepSWE dengan biaya seperlima
2026-08-22 Claude Fable 5 69.7% GLM-5.3 menyamai akurasi Claude Fable 5 pada DeepSWE dengan biaya seperlima
2026-08-21 DeepSeek-V4-Flash-Vision-Exp 59.3% DeepSeek merilis model multimodal DeepSeek-V4-Flash-Vision-Exp
2026-08-20 Ornith-1.5 56.0% Z.ai mengusulkan hukum penskalaan pasca-pelatihan dan merilis GLM 5.3; Ornith-1.5 diluncurkan dengan peningkatan diri
2026-08-19 Ornith-1.5 56.0% Ornith-1.5 merilis model 9B, 35B-A3B, dan 397B dengan pelatihan peningkatan mandiri
2026-08-18 DeepSeek V4 Pro 0813 62.8% DeepSeek V4 Pro 0813 vs Claude Fable 5 pada DeepSWE: Biaya, Pemrograman, dan Pengalihan
2026-08-18 Claude Fable 5 69.7% DeepSeek V4 Pro 0813 vs Claude Fable 5 pada DeepSWE: Biaya, Pemrograman, dan Pengalihan
2026-08-18 GPT-5.6 Sol 85.8% DeepSeek V4 Pro dan GPT-5.6 Sol menyelesaikan 83% tugas DeepSWE dengan biaya $3,35
2026-08-18 DeepSeek V4 Pro 0813 88.5% DeepSeek V4 Pro dan GPT-5.6 Sol menyelesaikan 83% tugas DeepSWE dengan biaya $3,35
2026-08-17 GLM-5.3 66.9% Z.ai meluncurkan model coding GLM-5.3; Cursor bergabung dengan SpaceXAI
2026-08-13 Gemini 3.7 Flash 65.3% Google memperkenalkan Gemini 3.7 Flash dengan kemampuan coding yang lebih baik dan biaya lebih rendah
2026-08-13 DeepSeek-V4-Pro 62.7% Rilis GA DeepSeek-V4-Pro meningkatkan kemampuan agen dan menambahkan dukungan API Respons
2026-08-13 Grok 4.6 65.9% SpaceXAI merilis Grok 4.6 dengan konteks 500K dan penalaran agentic yang lebih baik
2026-08-07 DeepSeek-V4 Flash 0731 53.3% DeepSeek-V4 Flash 0731 vs GPT-5.6 Luna pada DeepSWE: Biaya dan Pemrograman
2026-08-07 GPT-5.6 Luna 67.2% DeepSeek-V4 Flash 0731 vs GPT-5.6 Luna pada DeepSWE: Biaya dan Pemrograman
2026-08-03 Qwen3.8-Max 56.6% Alibaba merilis Qwen3.8-Max, model MoE dengan 2,4 triliun parameter
2026-07-31 DeepSeek-V4-Flash-0731 54.4% DeepSeek merilis V4-Flash-0731 dengan peningkatan agentic signifikan dan biaya lebih rendah
2026-07-31 DeepSeek-V4-Flash 54.4% DeepSeek merilis DeepSeek-V4-Flash dalam beta publik dengan kemampuan agen yang ditingkatkan
2026-07-27 Gemini 3.6 Flash 49.0% Google merilis Gemini 3.6 Flash, 3.5 Flash-Lite, dan 3.5 Flash Cyber
2026-07-27 Kimi K3 68.5% Kimi K3 mengalahkan GPT-5.6 Sol di DeepSWE pass@4 dan biaya lebih murah 64%
2026-07-27 GPT-5.6 Sol 72.7% Kimi K3 mengalahkan GPT-5.6 Sol di DeepSWE pass@4 dan biaya lebih murah 64%