跨仓联合开发新基准：强模型GPT-6.1 Sol仅得58.48%通过率

一句话看懂：Hugging Face Papers 收录的一篇论文提出跨仓库联合开发基准 CrossSWE，用 171 个真实案例检验编码代理能否协调多个相互依赖的代码库；摘要显示最强模型 GPT-6.1 Sol 的通过率仅 58.48%。

事件核心：发生了什么

目前公开信息显示，该论文没有继续在单个仓库里堆高任务难度，而是把评测对象扩展到多个相互依赖的仓库之间。CrossSWE 共包含 171 个真实任务实例，覆盖 165 个仓库、20 个技术领域和 13 种编程语言。

它的判定方式也值得注意：评测会先检查“只改一部分仓库能否达到预期行为”，以此确认任务是否真的需要跨仓库协同修改，而不是单仓库改动能顺带完成。对 5 个大模型的测试中，表现最好的 GPT-6.1 Sol 仅取得 58.48% 的 Pass@1；跨仓库不一致被列为最常见的失败模式，占比 44.2%。需要说明，以上数字来自论文摘要所述任务与评测条件，不构成模型的长期通用排名。

为什么重要

现有软件工程基准大多围绕单仓库展开，而真实开发常牵涉客户端、服务端、共享库与接口定义之间的联动。跨仓库开发难在三件事：推理依赖关系、把改动传播到关联项目、保持接口一致。CrossSWE 把这三件事变成可测的维度，意味着编码代理的评测重点可能从“能写多少代码”转向“能否在改动一处后同步收尾相关项目”。

44.2% 的失败集中在跨仓库不一致，也提示了主要瓶颈：模型往往能局部改对，却漏掉另一侧仓库的必要同步，或让接口在两边对不上。这与单纯提升单文件代码生成能力的路线并不完全相同。

对用户/开发者/创作者的影响

对开发者而言，这说明让编码代理接手涉及 monorepo 之外、多项目联动的工程任务时，仍需人工检查依赖和接口变更。对工具与 API 开发者来说，跨仓库上下文检索、依赖图分析和变更影响分析，可能比继续放大单次上下文更有价值。对团队采购或引入 AI 编程工具的人，评估时不宜只看单仓库基准分数，还应关注多仓库协同任务的实测表现。普通 AI 应用用户则可把它理解为：代理在大型真实项目上的可靠性，仍低于单文件演示。