🏆 基准测试已经开始运行！ 我们将首先在所有 500 个经过 SWE-Bench 验证的问题上运行顶级代理。 由于基准测试需要一些时间来运行，我们正在我们的网站上创建一个页面，将在接下来的几天内实时流式传输结果，以便进行检查。