Copilot模型对比评测结果公开

微软公开了一项基于 Copilot 自有 agent harness 的模型对比评测，在 DeepSWE 1.1 等软件工程基准上并列展示模型的成功率、平均单任务成本和不同 reasoning effort 档位表现。 评测最多进行 5 次完整运行并提供误差棒，用于判断分数差异是否稳定。资源建议先用结果缩小候选模型范围，再在自身代码上实测最终选择；该评测未覆盖响应时间和所有工作流，因此展示的是成功率与成本之间的权衡，而非单一模型的全面排名。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。