分享一个最近发现的网站。它每天在 SWE-Bench-Pro 子集上对模型做基准测试，记录默认设置下的得分变化，方便观察能力是否出现波动。目前有 Opus 4.6 和 GPT-5.4xhigh 的历史数据可以查看。 
Margin Lab — Robust and Reproducible Evals for Agents | Marginlab 
 [image]