SWE-bench 与 AI 编码代理基准测试：2026 年更新

SWE-bench、移动与领域基准、评测真实性、通过率、每次修复成本，以及基准成绩如何掩盖 Token 浪费的 2026 指南。

为什么这个意图在 2026 年重要

市场不再只问哪个模型更聪明。构建者更关心在使用上限、上下文墙或预算警报出现之前，每个代理能交付多少有用工作。

把本页当作决策层：识别搜索意图，比较限制或成本驱动因素，然后把结论转成编码代理工作流的操作规则。

来源标题地图

下面的每个标题都保留自研究矩阵，并合并到这个规范页面中，而不是拆成重复且薄弱的 URL。

Primary sources and useful references

• Vexp SWE-bench
• CCBench: The coding benchmark
• Coding Agent Benchmarks 2026

如何使用本页

• Separate usage limits from context limits before changing tools.
• Track input, cached input, output, retries, and review loops separately.
• Prefer one canonical page per search intent instead of many weak duplicates.
• Turn every limit finding into a local operating rule for the agent.

常见问题

2026 年发生了什么变化？

用量管理从模糊的消息计数，转向关注 Token、上下文和积分的工作流。Token 浪费已经成为运营指标。

每个来源标题都应该单独发一篇文章吗？

不应该。高度相似的页面会互相竞争。更强的规范页面可以覆盖同一意图，同时保留每个来源作为章节或引用。

Token Robin Hood 视角

Token Robin Hood 把问题定义为效率回收：减少浪费回合、减少陈旧上下文循环，并让每单位 AI 使用带来更多已交付工作。