Évaluation de Qwen Code
Cette évaluation compare sept versions de Qwen Code sur SWE-bench Verified en utilisant le même modèle et la même configuration Qwen 3.7 Max. Les scores moyens vont de 76,40 % à 77,80 %, soit un écart de 1,40 point de pourcentage.
Scores par version de Qwen Code
| Version | Score moyen | Taux de réussite | 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% |
Le graphique linéaire relie les versions dans l’ordre de sortie et utilise une échelle 70 %–80 % explicitement étiquetée. Le tableau conserve toutes les métriques rapportées ; Pass Rate et pass @3 ont des valeurs identiques dans ces résultats.
Configuration de l’évaluation
| Configuration | Valeur |
|---|---|
| Dataset | princeton-nlp/SWE-bench_Verified, 500 cas |
| Runs | 3 essais par version, 1 500 jobs par version ; 7 versions de Qwen Code |
| Modèle | Qwen 3.7 Max |
| Sampling | temperature=1, top_p=0.95 |
| Thinking / Reasoning | interleaved_thinking=true, thinking_type=adaptive, reasoning_effort=high |
| Limites contexte / sortie | context_1m=true, model_context_length=1,000,000, max_tokens=64,000, model_max_tokens=65,535 |
| Limites du harness | max_iterations=500, runtime_timeout_sec=7,200, agent_timeout_multiplier=3.0 |
Last updated on