哪些 benchmark 仍未被前沿模型攻破？SWE-sweep 最高仅 9.5%

Reddit 用户发起讨论，征集当前前沿模型仍难以突破的 benchmark，并称多数基准已至少取得 20% 以上分数。无提示的 bug 发现与修复基准 SWE-sweep 目前最高分为 Astra 的 9.5%，Fable 5.1 仅为 2.9%。评论还讨论其他低分或进展停滞的基准，反映常规榜单趋于饱和后，真实世界难题仍是模型能力盲区。