評価のソース公式の評価
FrontierSWE v2
Proximal Labs / コーディング · 長時間動くエンジニアリングの実装と研究タスク
Karu News での扱い観察中
証拠の予算点数に使いません
元データの時刻不明
直近の同期まだ集めていません
何を、どう測るか
v2 の統一した Proximus harness だけを比べ、旧版や best-of の異なる条件とは混ぜません。
この証拠の使い方
観察中：長いタスクでは新しい型番のカバーがまだ少なく、安定した元データの入口と実行構成を補う必要があります。
評価の限界と、データの帰属
観察中：長いタスクでは新しい型番のカバーがまだ少なく、安定した元データの入口と実行構成を補う必要があります。
データのライセンス：ランキングデータの利用範囲を確認中です。
成績は Proximal Labs が公表したものです。元のスコアと Karu News の総合スコアは尺度が異なるため、足し合わせられません。