SWE-Shift：评估编码智能体在动态演化工作区中表现的基准测试

研究团队推出基准测试 SWE-Shift，专门评估编码智能体在执行过程中应对代码、依赖、运行状态和需求等动态变更的能力。该基准涵盖 12 类变更的 120 个场景，并在 9 个干预节点测试了 17 个编码智能体系统。测试结果显示所有系统在发生环境变更后的表现均明显下降，其中 GPT-6 Astra 成功率从 67.35% 降至 24.79%，且工具变更和陈旧证据导致所有系统的配对成功率归零。