挑战代码长期维护！新基准SWE-CI揭示Claude为何备受青睐

传统的SWE-bench仅关注静态Bug修复，而新提出的SWE-CI基准更进一步，旨在评估LLM智能体在持续集成（CI）环境下长期维护代码库的能力。该测试跨越数月，模拟真实的软件开发全流程。实验结果显示，Claude 4.6在该基准中表现最佳，大幅领先开源模型，这有力地解释了为何开发社区对Claude的编程能力评价极高。