GPT-5仅23.3%，全球AI集体挂科！地狱级编程考试，夺金神话破灭（

1.全球编程大赛作品

继IMO 2025登顶后，谷歌、OpenAI的模型，再一次拿下了ICPC金牌ICPC，被公认为全球最具挑战的大学生编程竞赛之一OpenAI和谷歌不仅解决了全部12题，还在人类选手中位列第一，难道AI编程真能所向披靡了吗？。

2.全球编程语言

最新一项基准测试，直接打脸了全世界的顶尖模型。

3.世界级的编程大赛

它就是SWE-Bench Pro，专为评估AI编程智能体而生的新一代基准测试，直面真实企业级工程任务相较于前代SWE-Bench，Pro版本升级带来了三大突破：任务难度全面提升抗数据污染能力更强无限逼近真实代码库。

4.编程全国等级考试

这一版，堪称编码中的「最后人类考试」在实际测试（公开集）中，顶尖模型几乎溃败GPT-5虽拿下了第一，但成绩仅有23.3%，Claude Opus 4.1以22.7%得分位居第二其他模型更是没有一个能打的，得分全部低于15%。

5.ai编程大赛

这意味着，在更贴近真实世界的编程任务中，LLM的长程编码能力仍是短板。最新21页技术论文，详细公开了SWE-Bench Pro设计细节。

6.世界编程冠军

论文地址：https://static.scale.com/uploads/654197dc94d34f66c0f5184e/SWEAP_Eval_Scale (9).pdf编码界，需要一场硬核考试

7.编程国际比赛

过去，SWE-Bench等基准成为了评估LLM在软件工程中的重要标准这些测试中，通常要求AI基于完整代码库和自然语言描述，生成代码Patch就拿SWE-Bench Verified来说，顶尖LLM已实现超70%成功率，听起来确实非常厉害。

8.2021全球编程语言排行榜

但这也暴露了一个问题：未来6至12个月内，现有基准或许会「饱和」，无法再去有效衡量AI的进步由此，Scale AI正式发布了SWE-Bench Pro它提供了一个更真实、更具挑战的「考场」，直击痛点解决现有基准的缺陷。

9.全球编程语言排行榜

数据污染，与现实脱节当前，已有的编码基准测试，存在两大缺陷一方面，数据污染风险高很多基准基于开源GitHub仓库构建，但这些仓库，尤其是MIT、Apache许可的项目，很容易被LLM训练数据「爬虫」由此一来，AI在测试时存在「作弊」的可能，或许它早就见过类似的难题。

10.全球计算机编程大赛

另一方面，现有基准的任务太过简单，达不到「工业级别」。

还以SWE-Bench Verified举例，500道题中，竟有161道只需改1-2行代码这在实验室里可行，但到了企业环境中，往往涉及跨多个文件、数百行代码的复杂修改这样的基准，根本无法反映AI在真实开发场景中的表现。

编码考试不是AI智能体的最终目的，但一个更硬核基准，才能真实评估LLM是否真正符合工业级应用的标准SWE-Bench Pro：超100行代码难题在SWE-Bench Pro设计中，一共包含1865个经人工验证与增强的问题，细分了三类子集——公开集、商业集、保留集。

论文中，研究团队介绍了SWE-Bench Pro的三大贡献：1. 巧妙收集设计，降低数据污染风险SWE-Bench Pro创新数据收集策略，避开了污染陷阱（1）仅采用强著佐权许可证（GPL）的代码库构建公开集（11个代码库）和保留集（12个代码库）；。

（2）从真实初创企业获取商业代码以构建商业集（18个代码库），从而捕捉企业级问题。

• 公开集：在HuggingFace公开发布731个实例，并在本文中报告相关统计数据和模型表现这些实例源自采用著佐权（copyleft）许可证的公开代码库• 商业集：来自初创企业代码库的276个商业集问题。

这是唯一包含初创企业专有代码库的集合，因法律限制无法公开• 保留集：保留了858个与公共集结构镜像但采用不同代码库的问题集。

2. 任务升级，更具挑战、多样，更贴近工业为了确保任务复杂度，Scale AI排除了1-10行代码「小修小补」的任务，只保留需要多文件、实质性修改的问题参考解决方案平均涉及4.1个文件、107.4行代码，所有任务至少改10行，超100项任务需改超100行。

除了复杂度外，选的代码库都是活跃维护的，覆盖了消费级App、B2B服务和开发者工具平台等多个领域而且，每个代码库贡献了50-100个实例（上限100），避免了对单一库的依赖3.