답변게시됨56분 전Last edited 53분 전18 소스

TianxiCode·DeepSeek 조합, 코드 수정 벤치마크 Lite 부문 1위

레노버 Tianxi AI의 코딩 에이전트 프레임워크 TianxiCode는 DeepSeek V4.1 Flash와 함께 SWE bench Live Lite 과제 300개 중 213개를 해결해 71%의 공식 검증 점수를 기록했습니다. 이 평가는 실제 GitHub 프로젝트의 문제를 코드 패치로 해결하는 능력을 측정합니다.

게시자GPT-6 Luna로 편집GPT Image 2로 이미지 생성

Studio Global AI로 검색 및 팩트체크 인기 페이지 더 보기

연구 답변

주요 시사점

레노버 Tianxi AI의 코딩 에이전트 프레임워크 TianxiCode는 DeepSeek V4.1 Flash와 함께 SWE bench Live Lite 과제 300개 중 213개를 해결해 71%의 공식 검증 점수를 기록했습니다.
이 평가는 실제 GitHub 프로젝트의 문제를 코드 패치로 해결하는 능력을 측정합니다. 점수는 모델만이 아니라 모델과 에이전트 프레임워크를 합친 시스템의 결과입니다.
이번 1위는 Lite 부문에 한정됩니다. 전체 순위표나 다국어 부문까지 앞선다는 뜻은 아니며, 다음 검증 항목과의 차이도 약 0.67%포인트입니다.

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 프롬프트
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

레노버 천禧 AI 팀이 자체 개발한 코딩 에이전트 프레임워크 TianxiCode에 DeepSeek-V4.1-Flash를 결합해 SWE-bench-Live Lite에서 1위를 차지했습니다. 2026년 10월 8일자 순위표에는 300개 과제 가운데 213개를 해결해 71.0%를 기록한 것으로 나와 있으며, 제출 결과는 ‘Verified’ 검증을 통과했습니다. 2 16

다만 다음 검증 항목의 점수는 70.33%로, 격차는 약 0.67%포인트입니다. 눈에 띄는 성과지만 압도적인 차이라고 보기는 어렵습니다. 무엇보다 이번 결과는 Lite 부문에 해당하며, 전체 순위표나 다국어 부문의 우위를 입증하지는 않습니다. 2 11 16

실제 개발 문제를 얼마나 해결하는지 평가

SWE-bench-Live는 실제 GitHub 프로젝트에서 가져온 소프트웨어 문제를 AI 시스템에 제시하고, 이를 고치는 코드 패치를 만들 수 있는지 평가합니다. 코드 일부를 완성하거나 단일 함수를 생성하는 데 그치지 않고, 저장소의 문제를 찾아 수정하는 과정을 시험하는 벤치마크입니다. 5 19

이번 점수는 DeepSeek-V4.1-Flash 단독 성적이 아닙니다. 보도에 따르면 DeepSeek 모델은 코드 이해와 추론을 맡고, TianxiCode는 엔지니어링 작업 흐름과 도구 활용을 담당합니다. 따라서 71%는 두 요소가 함께 작동한 시스템의 성과로 봐야 합니다. 6 16

‘Verified’는 무엇을 확인하나

QbitAI 보도에 따르면 SWE-bench-Live의 Verified 절차에서는 참가 시스템이 에이전트의 전체 실행 기록을 제출하고, 평가 입력과 정보 격리 상태 등을 검토합니다. 기준 답안이나 테스트, 결과가 에이전트에 유출될 가능성이 있는지도 살피며, TianxiCode 제출물은 이 검증을 통과했습니다. 5

이 검토는 점수가 어떤 평가 절차를 거쳤는지 판단하는 데 도움이 됩니다. 그렇다고 실제 개발 환경 전반에서의 성능을 보증하는 것은 아닙니다. 확인된 결과는 어디까지나 Lite 순위표와 그 안의 과제에 한정됩니다. 5 16

프레임워크가 더한 역할, 아직 확인되지 않은 부분

보도 자료는 TianxiCode의 기능으로 여러 파일을 오가는 다단계 검색, 자율 계획과 여러 차례의 도구 호출, 테스트를 바탕으로 패치를 수정하는 폐쇄 루프 작업을 들고 있습니다. 다만 이 기능들이 각각 71% 점수에 얼마나 기여했는지를 따로 측정한 결과는 제시되지 않았습니다. 9 15

이번 성과는 코딩 벤치마크에서 기반 모델뿐 아니라 에이전트의 작업 흐름과 도구 구성도 중요할 수 있음을 보여줍니다. 하지만 이 결과만으로 Flash 계열 모델의 비용 효율성을 입증하거나 절감 폭을 계산할 수는 없습니다. 다른 모델을 붙였을 때의 비교 점수도 확인되지 않았습니다. 5 6

레노버가 TianxiCode를 개발 도구 체인이나 AI 하드웨어에 활용할 계획이라고 보도됐지만, 구체적인 적용 일정이나 제품명은 공개된 자료에서 확인되지 않습니다. 2 5

핵심은 ‘이 조합의 Lite 1위’

TianxiCode와 DeepSeek-V4.1-Flash는 SWE-bench-Live Lite에서 300개 중 213개 과제를 해결하고 공식 검증을 통과했습니다. 현재 확인 가능한 결론은 이 조합이 해당 시점의 Lite 순위표에서 1위를 기록했다는 것입니다. 전체·다국어 벤치마크 성적이나 실제 도입 효과, 비용 경쟁력까지 이번 점수만으로 판단하기는 어렵습니다.

Studio Global AI

연구를 계속하세요

이 페이지에는 Studio Global 내에서 계속할 수 있는 소스 기반 답변이 포함되어 있습니다.

Studio Global AI로 검색 및 팩트체크

사람들은 또한 묻습니다.