Raising the bar on SWE-bench Verified with Claude 3.5 Sonnet

SWE-bench 衡量的是「模型 + 软件 Scaffold」的完整 Agent 系统而非单纯模型——相同模型配不同 Scaffold 性能差异显著，这也是开源社区和初创公司能持续刷榜的原因。