开源编码代理评测任务包发布

olusola-titilayo 在 GitHub 开源 agentic-task-pack，提供三个原创编码智能体评测任务；每项包含指令、初始代码仓库、参考修复、隐藏测试和诱导性局部修复，并通过 swe-task-validator 的11项检查。 三个 Claude 智能体分别独立接收对应任务的指令和初始仓库，未接触隐藏测试与参考修复，测试通过率分别为11/11、12/12和14/14。作者称这只是同一模型每题单次运行的样本，样本量不足以精确衡量任务难度；任务包采用 MIT 许可证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。