买编程模型之前看榜单，看的是 SWE-bench——两年来它几乎就是代码能力的北极星，模型发布会、采购对比、参数表里全是它。2026 年这条榜单经历了地震：OpenAI 官宣停用自己参与维护的主榜 Verified，理由是数据污染和测试失准。这篇把这张榜的机制、功绩、塌陷原因和看榜姿势一次讲清，基于多篇报道、论文与官方信息整理成档。

定位

普林斯顿团队出品的编程基准，问题很直接：语言模型能不能解决真实世界的 GitHub issue？每个任务是一对真实的 Issue 和修复提交，模型读 bug 报告、理解整个代码库、产出补丁，以单元测试判定成败——修复的测试要从挂变成过，原本正常的测试不能被改坏。这套机制在当年是革命性的：此前编程评测多是算法小题，SWE-bench 第一次考「开发者真活」。截至 2026年9月，GitHub 5.8k 星，MIT 协议，官方榜单分 Verified、Multimodal、Multilingual、Lite、Full 五张。