AgentSWE 基准：25 个任务实测编码 Agent 造 Agent，无一达标

BAAI、中科院自动化所与人大团队发布 AgentSWE 基准，用 25 个任务测试编码 Agent 能否交付符合需求的 Agent，论文与代码已开源。任务以委托而非考试形式呈现，构建者只能对少量样例迭代，验收则在冻结提交后用覆盖完整需求的 held-out 用例按需求衍生标准做硬性 pass/fail 判定。