評価ソース公式サイト
FrontierSWE v2
Proximal Labs / コーディング · 長時間実行のエンジニアリング実装と研究タスク
AIサイシン での扱い観察中
配分採点対象外
元データの日時未確認
最終同期収集前
何を、どう測るか
v2 の統一 Proximus harness のみで比較し、旧版や best-of など条件の異なる結果と混ぜない。
当サイトでの使い方
観察中：長時間タスクでの新モデルのカバーはまだ少なく、安定した元データの入手経路と実行構成の補完が必要。
評価の限界とデータの出典
観察中：長時間タスクでの新モデルのカバーはまだ少なく、安定した元データの入手経路と実行構成の補完が必要。
データライセンス：ランキングデータの利用範囲は確認待ち
成績は Proximal Labs が公表したもの。元のスコアと AIサイシン のコンセンサス指数は尺度が異なり、そのまま比較・合算はできない。