Qwen Code Evaluation
Diese Evaluation vergleicht sieben Qwen Code-Versionen auf SWE-bench Verified unter Verwendung des gleichen Qwen 3.7 Max-Modells und der gleichen Konfiguration. Die Durchschnittswerte liegen zwischen 76,40 % und 77,80 %, eine Spanne von 1,40 Prozentpunkten.
Ergebnisse nach Qwen Code-Version
| Version | Ø Ergebnis | Bestehensrate | pass @3 | pass^3 |
|---|---|---|---|---|
| 0.0.14 | 77.80% | 84.6% | 84.6% | 69.2% |
| 0.1.0 | 76.73% | 84.6% | 84.6% | 68.0% |
| 0.5.0 | 76.60% | 83.0% | 83.0% | 68.4% |
| 0.10.0 | 76.47% | 84.4% | 84.4% | 67.4% |
| 0.15.0 | 77.67% | 84.6% | 84.6% | 68.6% |
| 0.19.0 | 76.40% | 85.0% | 85.0% | 65.8% |
| 0.22.0 | 77.33% | 84.4% | 84.4% | 68.0% |
Das Liniendiagramm verbindet die Versionen in Release-Reihenfolge und verwendet eine explizit beschriftete Skala von 70 %–80 %. Die Tabelle enthält alle berichteten Metriken; Bestehensrate und pass @3 haben in diesen Ergebnissen identische Werte.
Evaluationskonfiguration
| Konfiguration | Wert |
|---|---|
| Datensatz | princeton-nlp/SWE-bench_Verified, 500 Fälle |
| Durchläufe | 3 Versuche pro Version, 1.500 Jobs pro Version; 7 Qwen Code-Versionen |
| Modell | Qwen 3.7 Max |
| Sampling | temperature=1, top_p=0.95 |
| Thinking / Reasoning | interleaved_thinking=true, thinking_type=adaptive, reasoning_effort=high |
| Kontext- / Ausgabelimits | context_1m=true, model_context_length=1,000,000, max_tokens=64,000, model_max_tokens=65,535 |
| Harness-Limits | max_iterations=500, runtime_timeout_sec=7,200, agent_timeout_multiplier=3.0 |
Last updated on