leer #coding-agent-benchmark
datacurve-ai/deep-swe
benchmark con 113 tareas originales extraídas de repos OSS activos, en TypeScript/Go/Python/JavaScript/Rust, formato Harbor, verifier program-based que mira comportamiento observable y no coincidencia de parches. Lo corre pier (su framework air-gapped con allowlist de red per-agente) sobre mini-swe-agent, claude-code, codex, gemini-cli u opencode. Ya evalúa Claude Opus 4.8 y GPT-5.5 en Modal sandboxes.
Estrellas
—
Forks
106
Lenguaje
Python
Licencia
Apache-2.0
Issues
—
Estado
—
Cómo funciona
Implementa coding-agent-benchmark
Núcleo
datacurve-ai/deep-swe Python · Apache-2.0 agent-evalcoding-agentslong-horizonsoftware-engineering-benchmark
Se cruza con usa harbor-task-format
Diagrama derivado de madurez_senales (lenguaje, licencia, estado y topics) y de las relaciones que este repo tiene en el grafo de conocimiento. No es una arquitectura del proyecto: es su posición funcional tal como la registran los boletines.
Posición en el ecosistema
datacurve-ai/deep-swe
implementa
coding-agent-benchmark
datacurve-ai/deep-swe
usa
harbor-task-format
Relaciones que aportó este boletín
implementscoding-agent-benchmarknuevo
(concept, relación nueva de hoy)
complementsswe-bench-familynuevo
(concept, relación nueva de hoy)
usesharbor-task-formatnuevo
(concept, relación nueva de hoy)