SWE-Bench Pro 测不出模型差距了，有人重做了一把尺子，分差直接拉到 62 个百分点

SWE-Bench Pro 饱和之后，有人做了一把新尺子

SWE-Bench Pro 的排行榜上，GPT-5.5 和 Claude Opus 4.7 都挤在 82 分附近，看起来差不多。但 Datacurve 团队新发布的 DeepSWE 基准，让同一批模型跑出了 62 个百分点的差距：GPT-5.5 拿了 70%，Claude Opus 4.7 是 54%，DeepSeek V4 Pro 只有 8%。差距拉...

推荐理由：我会先打个折：正文没披露 DeepSWE 的样本量、任务构成和评测流程细节，所以这把新尺子到底准不准还不好说。但它的价值在于把 SWE-Bench Pro 的遮羞布掀了——数据污染和 verifier 缺陷导致同一批模型结果能差 62 个百分点，说明老基准已经区分不出模型好坏。对正在选型代码 agent 的团队来说，这个信号比单纯刷榜有用，提醒大家别只看一个数字就下结论。