Claude Sonnet 5 · ProgramBench · 166 个保留的 golden tasks;架构与时限按协议区分 · 成绩与配置

Claude Sonnet 5 的 ProgramBench · 166 个保留的 golden tasks;架构与时限按协议区分 记录。本次发布有 1 条成绩记录,暂无精确值,附 1 条来源定位。

成绩与评测条件

Claude Sonnet 5 · ProgramBench 成绩与配置
指标与成绩配置与评测条件出处
Hidden test pass rate76–86%原文 76–86% · 单位 %
公布 未确认

原文未提供可确认的精确值。

Standard configuration: adaptive thinking, max effort
设置
Adaptive thinking at max effort; default temperature and top_p; five-trial averages unless otherwise stated.
未知项
Context-window size is evaluation-dependent; standard configuration is 1M tokens.
工具
工具条件未记录
推理预算
max
框架
mini-SWE-agent harness
协议
166 retained tasks; five episodes, each continuing the prior codebase with a fresh context budget up to 1M tokens.
条件
Range reported across tasks/episodes, not a single exact scalar; mini-swe-agent harness without upstream six-hour limit.
在排名中查看此成绩

出处与披露

测试版本与指标

别名 ProgramBench、Multi-Agent ProgramBench

  • Hidden test pass rate · % · 越高越好
  • Score · 单位未标注 · 越高越好