🏆 基準測試已經開始運行！ 我們將首先在所有 500 個經過 SWE-Bench 驗證的問題上運行頂級代理。 由於基準測試需要一些時間來運行，我們正在我們的網站上創建一個頁面，將在接下來的幾天內實時串流結果，以便進行檢查。