DeepSWE

DeepSWE е специализиран бенчмарк за оценяване на автономни агенти за софтуерно инженерство (Software Engineering Agents). Той измерва способността на моделите с изкуствен интелект да изпълняват комплексни многостъпкови задачи по програмиране, отстраняване на дефекти и архитектурен дизайн в реални среди за разработка.