軟體工程任務評測更新：新增 13 款極致模型與 4 組 Agent，支援多程式語言分析
為何重要
此更新反映了 AI 在程式碼生成領域的競爭從單純的文本理解轉向「代理」能力與多語言工程場景的細緻評比。對開發者而言，更透明的成本與效能資料有助於在企業決策採用時，客觀評估模型在不改變既有工作流程下的 ROI（投資報酬率）。
一個評測程式碼撰寫與軟體工程任務的排行榜進行了大幅更新，新增了多款大型語言模型與具備代理程式能力的 AI 機器人，並提供更細緻的成本效能資料。
- 新增評估模型：包含 DeepSeek-V4（Pro 與 Flash）、GLM 5.2、MiMo V2.5 Pro、Qwen3.6-35B-A3B 和 Gemma 4 31B 等共計 13 款模型，以及 4 組專門針對任務的 Agent。
- 效能指標與功能增強：新增「Cached Tokens」欄位，並在 2025 年 7 月公開 Docker 映像與專屬 HuggingFace 資料集，用於重現評測任務。
- 成本透明度：引入「Cost per Problem」與「Tokens per Problem」欄位，協助使用者評估解決單一程式問題所需的資源。