自2026年2月起，Claude模型的推理深度下降67%，导致其在复杂工程任务中的表现显著退化，用户需频繁干预，效率降低。推理能力不足成为主要瓶颈，需恢复推理深度以提升工程能力。

SWE-Lancer是一个包含1400多个自由软件工程任务的基准，价值100万美元。任务涵盖独立工程和管理决策，但模型表现仍未能解决大多数任务。我们已开源统一的Docker镜像和公共评估集，以促进未来研究。