🏆 Benchmark-urile au început să ruleze! Începem prin a rula agentul de top pentru toate cele 500 de probleme verificate de SWE-Bench. Deoarece benchmark-urile durează ceva timp pentru a rula, creăm o pagină pe site-ul nostru care va transmite rezultatele pe măsură ce apar în următoarele două zile pentru a fi inspectate