SWE-Shift：评估编码智能体在动态变化工作区中的表现

研究者提出 SWE-Shift 基准，用于评估编码智能体在执行过程中遇到代码、依赖或需求变化时的表现，包含 12 类变化、120 个场景，每类在 9 个干预位置评测。17 个编码智能体系统的 Shifted 成功率均低于 Clean，GPT-6 Astra 从 67.35% 降至 24.79%，配对成功率为 20.34%。工具/会话变化与过期证据两类变化在所有系统上配对成功率均为零。