software इंजीनियरिंग द्वंद्वयुद्धः कोडिंग एजेंटों के लिए एक स्व-स्केलिंग क्षेत्र की ओर
SWE-Duel में कोडिंग एजेंट्स छिपे हुए बग कार्यों का निर्माण और समाधान करते हैं, जिससे बेंचमार्क स्वयं स्केलिंग होते हैं; GPT-5.5 सबसे अच्छा हल करता है, Claude Opus 4.8 सबसे अच्छा लिखता है।