DeepSWE 基准发布：113 个长周期软件工程任务
2026 年 8 月 21 日，Datacurve AI 官方。
事件背景
Datacurve AI 是一家专注于前沿编码数据的公司（YC 背景，4 人团队，旧金山）。DeepSWE 是其发布的编码代理基准，旨在评估 AI 代理在真实软件工程任务的表现。
关键事实
- 任务数量： 113 个原创长周期软件工程任务
- 语言覆盖： TypeScript、Go、Python、JavaScript、Rust
- 污染控制： 明确排除预训练数据污染
- 代理支持： claude-code、codex、gemini-cli、opencode 等
- GitHub stars： 1,453
- 协议： Apache 2.0
技术机制
DeepSWE 的任务设计强调"长周期"——每个任务涉及多文件修改、跨模块依赖、真实工程约束（如测试覆盖、文档更新）。这与 SWE-bench 等基于 GitHub issues 的基准形成差异化，后者存在预训练污染风险（模型可能在训练数据中见过相关 issues）。
DeepSWE 还配套了 Pier 工具（Harbor fork），支持在 Docker 或 Modal 沙盒中并行运行代理评估。
影响与意义
DeepSWE 为编码代理评估提供了更干净、更贴近真实工程的框架。对开发者而言，基准结果可以作为选择编码代理的参考；对代理开发者而言，基准提供了明确的优化目标。
风险边界
- 113 个任务的覆盖范围有限，可能无法代表所有工程场景
- 基准结果需在具体项目中验证，不同代码库的复杂度差异显著
- Datacurve 作为 4 人初创公司，基准的长期维护和更新存在不确定性
后续观察
- DeepSWE 是否成为编码代理评估的行业标准
- 各代理在基准上的表现对比
- 基准任务的扩展和更新计划
- 是否有更多类似的高质量基准出现
AI Master 解读
核心事件
DeepSWE 发布 113 个长周期软件工程任务的编码代理基准。
行业影响
为什么重要： 现有编码基准（如 SWE-bench）多基于真实 GitHub issues，存在预训练污染风险。DeepSWE 采用原创任务设计，明确排除预训练数据污染，提供更干净的评估。长周期任务（涉及多文件修改、跨模块依赖）更贴近真实工程场景，能更好区分代理的实际能力。
影响分析：
| 维度 | 影响 |
|---|---|
| 评估纯净度 | 原创任务排除预训练污染，结果更可信 |
| 任务复杂度 | 长周期、多文件、跨模块，贴近真实工程 |
| 代理支持 | 覆盖 claude-code、codex、gemini-cli 等主流代理 |
| 行业价值 | 为编码代理提供标准化、可复现的评估框架 |
AI Master 建议
关注 DeepSWE 的评估结果，作为选择编码代理的参考；评估你的项目是否适合纳入类似基准；跟踪基准任务的覆盖范围和更新频率。