datacurve-ai/deep-swe

DeepSWE 以 113 个原创长程任务评测编码代理，覆盖 91 个活跃开源仓库和五种语言，参考解平均 668 行。任务不来自公开 issue，手写 verifier 接受不同实现；项目同时指出常见基准平均约 120 行，审计到的 verifier 有 8% 假阳性和 25% 假阴性，因而把污染和评测误差一起纳入设计。