SWE-Bench Pro是什么SWE-Bench Pro是在SWE-Bench基础上的升级版专门评测真实世界代码修复能力评测方式 1. 从GitHub真实Issue中提取Bug 2. 给模型看代码库 Issue描述 3. 要求模型生成修复Patch 4. 用真实测试套件验证Patch是否正确 难度需要理解整个代码库上下文不是单文件修复各模型成绩对比模型SWE-Bench ProSWE-Bench Verified特点MiniMax M359.0%63.2%开源成本最低GPT-5.556.8%61.5%闭源成本最高Gemini 3.1 Pro55.3%59.8%闭源多模态强Claude Opus 4.760.1%64.5%闭源Agent能力强DeepSeek V348.2%52.7%开源成本较低M3是开源模型中的第一名与闭源顶级模型差距极小1%左右。M3强在哪里逐题分析类型1跨文件Bug修复M3优势项题目示例 Django ORM在批量更新时发生N1查询 涉及文件orm/bulk.py, models/query.py, tests/test_bulk.py M3解法 1. 正确识别N1发生在prefetch逻辑 2. 修改bulk.py中的prefetch相关代码 3. 同时更新对应测试验证 GPT-5.5解法 1. 只修改了query.py不完整 2. 测试未更新验证不充分M3的1M上下文在这里发挥了作用它能同时看多个文件理解跨文件依赖关系。类型2新功能实现M3/Opus接近超过GPT-5.5题目示例 给FastAPI添加GraphQL中间件支持 要求兼容现有的REST中间件链 M3输出 - 完整的GraphQLMiddleware类 - 与现有中间件的集成测试 - 文档字符串和类型注解齐全类型3性能优化M3最强项题目示例 SQLAlchemy连接池在高并发下成为瓶颈 要求分析并优化 M3输出 1. 准确定位问题在QueuePool._do_get() 2. 提出用asyncio.Queue替代threading.Queue的方案 3. 给出完整的benchmark对比QPS提升3倍为什么M3的编程能力强原因1训练数据质量M3在训练时使用了代码执行反馈——不仅学正确的代码还学为什么这段会报错。传统训练 输入def add(a,b): return ab 输出预测下一个token M3训练 输入def add(a,b): return ab ← 执行测试add(1,2) → TypeError 输出修改def add(a,b): return ab if isinstance(a,(int,float)) else TypeError ↑ 模型学会了先想测试再写代码原因21M上下文让全局理解成为可能传统模型8K~128K上下文看不全代码库只能盲人摸象式修复。M3的1M上下文让它先看完整代码库再动手改——这是人类高级工程师的工作方式。原因3MSA架构让推理更高效传统模型在长上下文下推理效率急剧下降导致看懂了但改不对。MSA让M3在1M上下文下仍保持高效推理真正把长上下文转化为能力优势。实测让M3修一个真实Bug我从Django的GitHub Issues中随机选了一个真实BugIssue #18056: prefetch_related() crashes when using Q objects with nested prefetch把整个Django ORM相关代码约800K tokens喂给M3from monkeycode import MonkeyCode mc MonkeyCode(modelminimax/m3, modethinking) result mc.debug( issueprefetch_related crashes with Q objects and nested prefetch, code_contextload_django_orm_code(), # 800K tokens test_casetests/prefetch/tests_q_objects.py ) print(result.patch) # 生成的Patch print(result.explanation) # 修复思路 print(result.confidence) # 置信度0.92结果M3生成的Patch通过了所有测试被标记为Correct Fix。对比GPT-5.5在相同输入下生成的Patch有3个测试失败。对MonkeyCode用户的意义代码审查M3能发现人类审查员漏掉的跨文件Bug自动修复CI/CD中集成M3自动修复ISSUE部分代码重构M3能理解整个代码库的架构重构建议更合理性能优化M3在性能类题目上表现最强适合做性能审计总结M3在SWE-Bench Pro上59%的分数不是刷榜成绩而是真实编程能力的体现跨文件理解1M上下文让M3能看完整代码库执行反馈训练M3学会先想测试再写代码开源第一唯一开源且达到顶级水平的编程模型