AI 评测与排行榜，分别告诉你什么
分清评测基准、一次评测运行与排行榜，用它们回答各自适合的问题。
LLM Stats
Multi-SWE-Bench
A multilingual benchmark for issue resolving that evaluates Large Language Models' ability to resolve software issues across diverse programming ecosystems. Covers 7 programming languages (Java, TypeScript, JavaScript, Go, Rust, C, and C++) with 1,632 high-quality instances carefully annotated by 68 expert annotators. Addresses limitations of existing benchmarks that focus almost exclusively on Python.
评测信息与证据
- 来源
- LLM Stats
- 发布者
- 未收录
- 评测发布日期
- 未收录
- 采集日期
- 2026-08-17
- 模态
- text
本站保留来源报告的结果，不代表独立复测。请先核对任务版本、评测协议、分数单位和报告日期；不同运行条件不能直接合并为统一排名。
原始资料
报告成绩 6
按来源中的观察顺序展示，顺序不代表排名。日期保留原始精度。
| 模型 | 数值 | 单位 | 协议 | 报告日期与口径 | 来源 |
|---|---|---|---|---|---|
| MiniMax M2.7 | 0.527 | 未收录 | 未收录 | 2026-03-18 · model_announcement | LLM Stats |
| MiniMax M2.5 | 0.513 | 未收录 | 未收录 | 2026-02-12 · model_announcement | LLM Stats |
| MiniMax M2.1 | 0.494 | 未收录 | 未收录 | 2025-12-23 · model_announcement | LLM Stats |
| Kimi K2-Thinking-0905 | 0.419 | 未收录 | 未收录 | 2025-09-05 · model_announcement | LLM Stats |
| MiniMax M2 | 0.362 | 未收录 | 未收录 | 2025-10-27 · model_announcement | LLM Stats |
| Qwen3-Coder 480B A35B Instruct | 0.258 | 未收录 | 未收录 | 2025-01-31 · model_announcement | LLM Stats |