三个基准测试把 AI 编程工具的真实能力彻底拆开了——SWE-bench 90%+ 的人，APEX-Agents 只有 33%，这件事今天终于有数据说清楚了

三个基准测试把 AI 编程工具的真实能力彻底拆开了——SWE-bench 90%+ 的人，APEX-Agents 只有 33%，这件事今天终于有数据说清楚了。

SWE-bench Verified 今天过了 90%，Claude Opus 4.6 跑到 80.8%，Gemini 3.1 Pro 80.6%，前四名差距在 3 个百分点以内。行业说：AI 编程已经解决了。

APEX-Agents 的人说：没有。

同一个模型，在专业服务任务上——跨应用、跨文档、多步骤的投资银行分析、管理咨询、法律文书——最好成绩是 33.3%，剩下 66.7% 全是失败。这个数字不是某个小模型的成绩，是整个前沿模型阵营的天花板。

这两个数字放在一起，是 2026 年 AI 编程工具最诚实的一张图。

基准测试在测两件完全不同的事

SWE-bench 考的是一件事：给一个 GitHub issue，改一个文件，通过测试。高度聚焦，单点突破。模型知道要修什么，测试会告诉你对不对。

APEX-Agents 考的是另一件事：给你一堆邮件、PDF、表格、聊天记录，自己规划路径，自己判断什么时候该用什么工具，最后交出一份投行分析师看了会签字的报告。没有标准答案，没有测试用例，只有 rubric。

一件是有标准答案的编程题。一件是没有标准答案的顾问工作。

用同一张卷子的逻辑去理解它们，会让采购决策出错。

为什么模型在 SWE-bench 厉害，在 APEX 上不行

核心差距在三个地方。

第一，任务粒度。SWE-bench 的任务收敛在「修这个 bug」，APEX 的任务开放到「把客户这笔交易的收益结构搞清楚，生成一份 memo」。前者是算法题，后者是项目。

第二，工具边界。SWE-bench 考代码能力，工具集固定且已知。APEX 暴露的是一套模拟的工作环境——文件、邮件、日历、数据库——模型要自己判断用哪个工具、什么顺序、什么参数。这是真实工作的样子。

第三，评估方式。SWE-bench 用测试套件，非对即错。APEX 用 LLM grader 评 rubric，靠谱程度本身就是一个变量。Artificial Analysis 自己的实现（APEX-Agents-AA）测出来是 47.1%，比 Mercor 原始版本的 24% 高不少——评估框架一变，排名全变了。

这件事对选型意味着什么

如果你买 AI 编程工具只看 SWE-bench 数字，今天以后要把这张图也放进评估框里。

SWE-bench 高分告诉你：这个工具修 bug 快。

APEX 低分告诉你：让它独立完成一个业务流程，它还有三分之二的概率做不完。

2026 年企业真正在买的，不是修 bug 工具，是能独立跑业务流程的数字员工。两者之间的差距，比任何一家厂商愿意承认的都大。

三个真实数据：

• SWE-bench Verified：Claude Opus 4.6 = 80.8%，Gemini 3.1 Pro = 80.6%
• APEX-Agents（Artificial Analysis 实现）：Gemini 3.5 Flash = 47.1%，GPT-5.5 = 37.7%，Claude Opus 4.6 = 33.0%
• APEX-Agents 原始版本（Mercor，1月）：Gemini 3 Flash = 24.0%，Claude Opus 4.5 = 29.8%

同一个月，同一批模型，同一批任务，两个不同的分数。评估框架本身就是变量，这件事比分数本身更值得记住。