Meta 實測 7 個 coding agent：分數高，不代表你少改

你大概有過這種經驗：照排行榜挑了分數最高的 coding agent，接了個真的任務丟給它，結果還是一路 re-prompt——「不對，這段重寫」「你漏了那個邊界情況」「型別又錯了」。榜上它是第一名，你在旁邊卻手動改了三四次才收工。

Meta 一份新的評測報告，SWE-Together，量的就是這個平常沒人量的東西：一個 coding agent 在真實的來回對話裡，平均要你回頭糾正幾次。七個前沿模型排下來，Claude Opus 4.8 最省心——完成率 63%、平均只讓你回頭改 1.38 次，兩項都是第一。

單次答對率，藏不住你每天在改的那幾次

過去大家看 coding agent 的成績，多半是 SWE-bench 那套：一次把完整的問題描述丟給它，看它能不能一發過關，算個 pass@1 完成率。這個數字有用，但它假設了一件現實裡幾乎不存在的事——你把需求一次講清楚、然後放手不管。

真的用起來不是這樣。你會邊看邊補一句、它跑歪了你把它拉回來、它漏了一個 case 你再點它一下。SWE-Together 就在完成率旁邊加了第二欄：糾正次數（User Correction），也就是一個任務做完，平均要你介入糾正幾個回合。同樣答對，有的模型讓你改一次就好，有的要改到兩次以上——這一欄，才是你每天有體感、排行榜卻通常不給的數字。

SWE-Together 怎麼測：1.1 萬場真實對話，收成 109 題

這份報告的底料是真人用出來的。Meta 從 11,260 場真實使用者與 coding agent 的對話紀錄裡，篩出並整理成 109 個 repository-level 的任務——不是造題，是把人真的問過、agent 真的做過的整段 session 重建出來當考題。

跟 SWE-bench 最大的差別就在「靜態 vs 互動」。SWE-bench 是靜態的：題目一次給完，agent 自己跑完交卷。SWE-Together 是多輪的：它量的是這段對話最後有沒有做對（pass@1），以及過程中你得回頭糾正它幾次。前者看終局，後者看你陪它走完整段路花了多少力氣。

七個模型排出來：Opus 4.8 最少讓你回頭

七個前沿 coding agent 的成績並排如下（完成率越高越好；糾正次數越低越省心）：

模型	完成率 pass@1	平均糾正次數
Claude Opus 4.8	63%	1.38
GPT-5.5	58%	1.59
Claude Opus 4.6	58%	1.59
GLM-5.2	55%	1.53
GLM-5.1	52%	1.54
DeepSeek-V4-Pro	48%	1.76
MiniMax-2.7	40%	2.17

幾個讀法。Claude Opus 4.8 是唯一把完成率推到六成以上、又把糾正次數壓到 1.4 以下的，兩欄都領先。GPT-5.5 和 Claude Opus 4.6 完全同分（58%、1.59），這種貼在一起的名次別過度解讀——109 題規模不大，差距很可能落在雜訊裡。

再往尾段看，走勢更清楚：完成率一路往下掉的同時，糾正次數一路往上爬——到了 MiniMax-2.7，完成率剩四成，平均得糾正到 2.17 次，等於同一件事你要多陪它跑大半回合。開源這邊，GLM-5.2 用 55% 完成率、1.53 次糾正卡在中段，成績不算難看。

糾正次數為什麼比完成率更貼近體感

論文自己給的核心結論很直白：越強的 agent，完成率越高，需要的介入也越少。兩欄大致同向，這件事本身就有意義——它說明「強」不只是最後答不答得對，也包含「不用你一直盯著」。

打個比方，只看完成率，就像只看實習生的考卷分數。一個很會考試的實習生，考卷可能滿分，但每件真事都要你在旁邊盯著改三遍，你並不會覺得輕鬆。糾正次數量的就是「盯著改幾遍」這件事。對每天把任務外包給 coding agent 的人來說，這一欄直接對應你省不省心、能不能真的放手去做別的事。

這份報告沒測到的：你的 codebase 不在裡面

先把話講清楚，這是 Meta 這份報告測出來的結果，不是我們自己跑過這七個模型的實測。用之前，有幾個限制要記著。

一是規模。109 題不算多，接近的名次（像 GPT-5.5 和 Opus 4.6 那組）差距可能在誤差內，別拿來當「A 一定比 B 好」的鐵證。二是分佈。這些題目來自特定來源的 session，不等於你的語言、你的框架、你那包歷史包袱很重的 codebase——榜上省心的，換到你的專案未必一樣省心。三是定義。「一次糾正」怎麼算，以論文的量法為準，這裡用的是「平均要回頭糾正幾次」的白話理解。

即便如此，這份報告最該被帶走的一件事很單純：下次挑或評一個 coding agent，別只看它一次答不答得對，多看一眼「你要回頭糾正它幾次」。這一欄，比完成率更接近你每天坐在它旁邊的那個感覺。真要驗證，最準的還是拿你自己手上的專案，同一個任務餵給兩三個模型，數數看各自讓你回頭改了幾次。

資料來源：SWE-Together: Evaluating Coding Agents in Interactive User Sessions（arXiv:2606.29957，Meta）；arXiv 全文 2606.29957v1。

矽基前沿 · 工作現場線（編輯：廖玄同），《Meta 實測 7 個 coding agent：分數高，不代表你少改》，矽基前沿 [Si]gnals，2026-07-06。https://signals.tw/articles/meta-swe-together-agent-corrections/