उत्तरप्रकाशित56 मिनट पहलेLast edited 53 मिनट पहले18 स्रोत

DeepSeek-V4.1-Flash के साथ TianxiCode Lite लीडरबोर्ड में पहले स्थान पर

Lenovo के TianxiCode फ्रेमवर्क ने DeepSeek V4.1 Flash के साथ SWE bench Live Lite के 300 में से 213 टास्क हल किए—8 अक्टूबर 2026 की लीडरबोर्ड एंट्री में 71% का Verified स्कोर। यह बेंचमार्क वास्तविक GitHub प्रोजेक्ट्स के सॉफ्टवेयर मुद्दों पर कोड पैच बनाकर उन्हें हल करने की क्षमता परखता है। स्कोर मॉडल और एजेंट फ्रेमवर्क...

प्रकाशितकर्ताGPT-6 Luna से संपादितGPT Image 2 से चित्र बनाए गए

Studio Global AI के साथ खोजें और तथ्यों की जांच करें और ट्रेंडिंग पेज देखें

शोध उत्तर

मुख्य निष्कर्ष

Lenovo के TianxiCode फ्रेमवर्क ने DeepSeek V4.1 Flash के साथ SWE bench Live Lite के 300 में से 213 टास्क हल किए—8 अक्टूबर 2026 की लीडरबोर्ड एंट्री में 71% का Verified स्कोर।
यह बेंचमार्क वास्तविक GitHub प्रोजेक्ट्स के सॉफ्टवेयर मुद्दों पर कोड पैच बनाकर उन्हें हल करने की क्षमता परखता है। स्कोर मॉडल और एजेंट फ्रेमवर्क के संयुक्त प्रदर्शन का है।
आधिकारिक जांच में एजेंट के पूरे रन ट्रैजेक्टरी और मूल्यांकन की परिस्थितियों की समीक्षा शामिल थी, ताकि जवाबों या टेस्ट से जुड़ी जानकारी लीक होने की आशंका जांची जा सके।

Editorial illustration representing an AI coding agent working through a software engineering benchmark — 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 LTianxiCode paired with DeepSeek-V4.1-Flash scored 71% on SWE-bench-Live Lite.
AI संकेत
Create 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
openai.com

Lenovo की Tianxi AI टीम ने अपने कोडिंग-एजेंट फ्रेमवर्क TianxiCode को DeepSeek-V4.1-Flash के साथ चलाकर SWE-bench-Live Lite लीडरबोर्ड पर पहला स्थान हासिल किया। 8 अक्टूबर 2026 की एंट्री में सिस्टम ने 300 में से 213 टास्क हल किए—यानी 71.0%—और उसे “Verified” दर्जा मिला। अगले Verified सिस्टम से बढ़त सिर्फ़ करीब 0.67 प्रतिशत अंक की थी। 2 16

यह नतीजा उल्लेखनीय है, लेकिन इसका दायरा सीमित है: यह Lite लीडरबोर्ड का परिणाम है, पूरे SWE-bench-Live या बहुभाषी बोर्ड पर बढ़त का प्रमाण नहीं। QbitAI ने इस उपलब्धि की खबर 9 अक्टूबर को दी और Pandaily ने 10 अक्टूबर को इसे कवर किया। 5 19 44

71% स्कोर किस बात की परीक्षा है?

SWE-bench-Live में AI सिस्टम को वास्तविक GitHub प्रोजेक्ट्स से लिए गए सॉफ्टवेयर मुद्दे दिए जाते हैं। सिस्टम को ऐसा कोड पैच तैयार करना होता है जो उस समस्या को ठीक करे। इसलिए यह सिर्फ़ कोड पूरा करने या अलग-अलग कोड स्निपेट बनाने की परीक्षा नहीं, बल्कि समस्या समझने और उसे हल करने के पूरे कामकाज को परखता है। 5 19

इस एंट्री में TianxiCode के साथ DeepSeek-V4.1-Flash का इस्तेमाल हुआ। रिपोर्टों के मुताबिक, DeepSeek मॉडल कोड समझने और तर्क करने का काम करता है, जबकि TianxiCode इंजीनियरिंग प्रक्रिया और टूल इस्तेमाल संभालता है। लिहाज़ा 71% का स्कोर दोनों को मिलाकर बने सिस्टम का है—इससे अकेले मॉडल का योगदान अलग से नहीं मापा जा सकता। 6 16

“Verified” दर्जे का मतलब

QbitAI की रिपोर्ट के अनुसार, SWE-bench-Live की Verified समीक्षा में एजेंट के पूरे रन-ट्रैजेक्टरी जमा करने होते हैं। आयोजक मूल्यांकन में दिए गए इनपुट और सूचना-अलगाव की व्यवस्था की जांच करते हैं, ताकि संदर्भ उत्तरों, टेस्ट या नतीजों के एजेंट तक पहुंचने की आशंका परख सकें। TianxiCode की एंट्री ने यह समीक्षा पास की। 5

इस जांच से बिना समीक्षा वाले स्कोर की तुलना में मूल्यांकन की प्रक्रिया के बारे में अधिक भरोसा मिलता है। फिर भी Verified होना व्यापक वास्तविक उपयोग में बेहतर प्रदर्शन का प्रमाण नहीं है: यह नतीजा Lite बोर्ड और उसमें शामिल टास्क तक ही सीमित है। 5 16

फ्रेमवर्क की भूमिका और नतीजे की सीमाएं

रिपोर्टों में TianxiCode की क्षमताओं में कई फाइलों में खोज और जानकारी जुटाना, कई चरणों में योजना बनाकर टूल इस्तेमाल करना, और टेस्ट के आधार पर पैच में सुधार का चक्र शामिल बताया गया है। ये बेंचमार्क नतीजे के साथ बताई गई फ्रेमवर्क क्षमताएं हैं; उपलब्ध जानकारी यह नहीं मापती कि 71% स्कोर में हर क्षमता का अलग-अलग कितना योगदान था। 9 15

यह नतीजा इस विचार के अनुरूप है कि कोडिंग बेंचमार्क में मॉडल के साथ एजेंट का कार्यप्रवाह और टूलिंग भी अहम हो सकते हैं। लेकिन इससे यह साबित नहीं होता कि Flash श्रेणी का मॉडल अधिक किफ़ायती है, कितनी बचत हो सकती है, या किसी दूसरे मॉडल के साथ TianxiCode का स्कोर क्या होगा। Lenovo की व्यापक तैनाती योजनाओं के लिए कोई तय समयसीमा या नामित उत्पाद भी उपलब्ध रिपोर्टों में नहीं दिए गए हैं। 5 6

निचोड़

TianxiCode और DeepSeek-V4.1-Flash ने SWE-bench-Live Lite पर आधिकारिक समीक्षा के बाद मजबूत नतीजा दर्ज किया: 300 में से 213 टास्क हल किए और 8 अक्टूबर की लीडरबोर्ड एंट्री में पहला स्थान पाया। सबसे स्पष्ट निष्कर्ष उतना ही सीमित है—उस समय यह खास मॉडल-और-एजेंट संयोजन Lite बोर्ड पर सबसे आगे था। इससे पूरे बेंचमार्क पर बढ़त, वास्तविक उपयोग में लागत का फायदा या तैनाती की योजनाएं साबित नहीं होतीं।

Studio Global AI

अपना शोध जारी रखें

इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।

Studio Global AI के साथ खोजें और तथ्यों की जांच करें

लोग पूछते भी हैं