Ragionamento & Affidabilità
SWE-bench Verificato
Un benchmark che testa i modelli di IA nella risoluzione autonoma di problemi reali su GitHub. La variante Verificato utilizza compiti convalidati da esseri umani per un punteggio affidabile. Claude Sonnet 4.6 ottiene un punteggio del 79,6%.
In dettaglio: SWE-bench Verificato
Un benchmark che testa i modelli di IA nella risoluzione autonoma di problemi reali su GitHub. La variante Verificato utilizza compiti convalidati da esseri umani per un punteggio affidabile. Claude Sonnet 4.6 ottiene un punteggio del 79,6%.
Dettagli di implementazione
- Guardrail pronti per la produzione