# 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

> 原标题：SWE-Bench Pro 饱和之后，有人做了一把新尺子

- 来源：Computing Life · Share · 鸭哥调研
- 发布时间：2026-05-28T00:00:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/29690
- 原文：https://yage.ai/share/deepswe-benchmark-audit-20260528.html

## 摘要

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%。

## 推荐理由

Datacurve 团队发布 DeepSWE 基准，让同一批模型跑出 62 个百分点差距，而它们在 SWE-Bench Pro 上仅相差几分，这组对比直接说明旧基准已难以区分模型能力。

## 锐评

62 个百分点的差距，先看这尺子是谁做的。Datacurve 自己出的题、自己跑的模型、自己发的榜，样本量和任务构成一个字没提，这种分数我最多当参考。但 SWE-Bench Pro 那边 GPT-5.5 和 Opus 4.7 挤在 82 分，确实早就没区分度了，数据污染加 verifier 松，谁刷谁高分。DeepSeek V4 Pro 只有 8% 这个数倒是挺扎眼，如果任务真偏长链路 agent，那它掉队不意外。选型的时候别拿单一 benchmark 当依据，自己抽二十个真实 issue 跑一遍，比看榜靠谱。
