AnswersPublished18 sources
Lenovon koodiagentti nousi SWE-bench-Live Liten kärkeen 71 prosentin tuloksella
Lenovon TianxiCode kehys ja DeepSeek V4.1 Flash ratkaisivat 213 SWE bench Live Liten 300 tehtävästä. Vertailu testaa, pystyykö tekoäly korjaamaan oikeista GitHub projekteista poimittuja ohjelmistovirheitä.
JulkaisijaMuokattu mallilla GPT-6 LunaKuvat luotu mallilla GPT Image 2
Research answer
Key takeaways
- Lenovon TianxiCode kehys ja DeepSeek V4.1 Flash ratkaisivat 213 SWE bench Live Liten 300 tehtävästä.
- Vertailu testaa, pystyykö tekoäly korjaamaan oikeista GitHub projekteista poimittuja ohjelmistovirheitä.
- Verified tarkistuksessa käytiin läpi agentin toimintaketju ja arvioinnin järjestelyjä mahdollisten vastaus tai testivuotojen varalta.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What did Lenovo’s Tianxi AI team achieve with its in-house TianxiCode coding-agent framework running DeepSeek-V4.1-Flash on SWE-bench-Live L. Article summary: Lenovo’s Tianxi AI team reportedly took first place on SWE-bench-Live Lite with its in-house TianxiCode agent framework running DeepSeek-V4.1-Flash, achieving an officially verified 71% resolution rate; QbitAI reported t. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
Lenovon Tianxi AI -tiimin kehittämä TianxiCode nousi SWE-bench-Live Liten kärkeen yhdessä DeepSeek-V4.1-Flash-mallin kanssa. Lokakuun 8. päivänä julkaistulla tuloksella yhdistelmä ratkaisi 213 tehtävää 300:sta eli sai 71,0 prosentin tuloksen. Merkintä on merkitty virallisesti Verified-tarkistetuksi. 2
16
Johto seuraavaan tarkistettuun tulokseen oli kuitenkin niukka: ero oli noin 0,67 prosenttiyksikköä. QbitAI uutisoi tuloksesta 9. lokakuuta, ja Pandaily käsitteli sitä seuraavana päivänä. 5
19
44
Mitä vertailussa testataan?
SWE-bench-Live arvioi, pystyykö tekoälyratkaisu korjaamaan ohjelmistovirheitä, jotka on poimittu oikeista GitHub-projekteista. Tehtävänä on tuottaa koodimuutos eli korjaus, joka ratkaisee ongelman — ei vain täydentää koodiriviä tai kirjoittaa irrallista koodinpätkää. 5
19
Listalle kirjattu tulos kuuluu TianxiCode- ja DeepSeek-V4.1-Flash-yhdistelmälle. Lähteissä mallin kuvataan vastaavan koodin ymmärtämisestä ja päättelystä, kun taas TianxiCode hoitaa ohjelmistokehityksen työnkulkua ja työkalujen käyttöä. Tulos ei siis erottele, kuinka suuren osuuden siitä tuotti malli ja kuinka suuren agenttikehys. 6
16
Mitä Verified-tarkistus kertoo?
QbitAI:n mukaan SWE-bench-Liven Verified-menettelyssä osallistujilta vaaditaan agentin koko toimintaketju. Arvioinnissa tarkastellaan myös syötteitä ja tiedon eristämistä, jotta voidaan selvittää, ovatko mallille voineet vuotaa oikeat vastaukset, testit tai tulokset. TianxiCode läpäisi tarkistuksen. 5
Tarkistus antaa tulokselle enemmän taustaa kuin pelkkä ilmoitettu pistemäärä. Se ei kuitenkaan todista, että järjestelmä toimisi yhtä hyvin kaikissa kehitystyön tilanteissa: tässä tulos koskee nimenomaan Lite-osuutta ja sen tehtäviä. 5
16
Vahva tulos, rajattu johtopäätös
TianxiCoden toimintakyvyiksi on raportoitu muun muassa useiden tiedostojen välinen haku, itsenäinen suunnittelu ja useiden työkalukutsujen tekeminen sekä korjausten tuottaminen ja niiden kehittäminen testien perusteella. Nämä ovat kehysvalmistajan raportoimia ominaisuuksia, eivät erillisiä mittauksia siitä, miten kukin niistä vaikutti 71 prosentin tulokseen. 9
15
Tulos tukee ajatusta, että koodiagentin työnkululla ja työkaluilla voi olla merkitystä mallin rinnalla. Se ei kuitenkaan osoita, että Flash-luokan malli olisi kustannustehokkaampi, kerro mahdollisista säästöistä tai vertaa TianxiCodea toiseen malliin. Lenovo on kertonut suunnitelmista hyödyntää työtä kehittäjätyökaluissa ja AI-laitteissa, mutta tarkkaa aikataulua tai nimettyjä tuotteita ei ole kerrottu. 2
5
6
Ytimekkäin johtopäätös on myös rajatuin: TianxiCode ja DeepSeek-V4.1-Flash johtivat SWE-bench-Liven Lite-listaa 8. lokakuuta, ja tulos oli Verified-tarkistettu. Se ei vielä osoita johtoasemaa vertailun Full- tai monikielisillä listoilla eikä kerro suoraan järjestelmän käytännön kustannuksista tai laajemmasta käyttöönotosta. 16
44
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Lenovon koodiagentti nousi SWE-bench-Live Liten kärkeen 71 prosentin tuloksella"?
Lenovon TianxiCode kehys ja DeepSeek V4.1 Flash ratkaisivat 213 SWE bench Live Liten 300 tehtävästä.
What are the key points to validate first?
Lenovon TianxiCode kehys ja DeepSeek V4.1 Flash ratkaisivat 213 SWE bench Live Liten 300 tehtävästä. Vertailu testaa, pystyykö tekoäly korjaamaan oikeista GitHub projekteista poimittuja ohjelmistovirheitä.
What should I do next in practice?
Verified tarkistuksessa käytiin läpi agentin toimintaketju ja arvioinnin järjestelyjä mahdollisten vastaus tai testivuotojen varalta.
Sources
forck.liveWeek 41, 2026 · AI lab announcements, 5–11 October 2026
swe-bench-live.github.ioSWE-bench-Live Leaderboard
qbitai.com联想天禧自研代码智能体TianxiCode斩获SWE-bench-Live全球第一
pandaily.comLenovo's TianxiCode Agent and DeepSeek-V4.1-Flash Top SWE-bench-Live Lite at 71%, Verified
x.comx.com › thePandaily › articleLenovo's TianxiCode Agent and DeepSeek-V4.1-Flash Top...