APEX-SWE: A Real-World Test for AI Coders

Share
APEX-SWE: A Real-World Test for AI Coders

Can AI ship real software?

Meet APEX-SWE, a new benchmark that tests whether frontier AI models can do economically valuable software engineering—not just toy coding puzzles.

  • Integration tasks (n=100): build end-to-end systems across cloud primitives, business apps, and infrastructure-as-code.
  • Observability tasks (n=100): debug production failures using logs, dashboards, and unstructured context.

Across eight models, Gemini 3 Pro (Thinking = High) ranked first with Pass@1 = 25%. The analysis highlights a key driver of success: epistemic reasoning—separating assumptions from verified facts—plus the agency to reduce uncertainty before acting.

The team open-sources the evaluation harness and a 50-task dev set, inviting the community to build, test, and iterate on AI that can truly ship.

Paper: https://arxiv.org/abs/2601.08806v1

Paper: https://arxiv.org/abs/2601.08806v1

Register: https://www.AiFeta.com

AI SoftwareEngineering DevOps Observability Cloud LLM Benchmark Productivity APEXSWE Research

Read more

Kielimallit tekevät vaatimuskysymyksiä eri tyyleillä – ja tyyli riippuu käyttötarkoituksesta

Kielimallit tekevät vaatimuskysymyksiä eri tyyleillä – ja tyyli riippuu käyttötarkoituksesta

Uusi vertailu näyttää, että tekoälyn tapa muotoilla järjestelmävaatimuksia luonnollisen kielen kysymyksiksi vaihtelee mallin ja aiheen mukaan. Siksi tärkeintä ei ole valita ”parasta” mallia, vaan tilanteeseen sopiva. Kuvitellaan tuttu kokous: pöydän ääressä yritetään päättää, mitä uuden tietojärjestelmän pitää pystyä tekemään. Syntyy lista kysymyksiä, joihin järjestelmän on osattava vastata. Esimerkiksi: ”Mitkä lääkkeet

By Kari Jaaskelainen
Julkaistu ajattelu voidaan jo purkaa tekoälyksi

Julkaistu ajattelu voidaan jo purkaa tekoälyksi

Kun tutkija jättää työpöytänsä, hänen äänensä ei välttämättä vaikene. Pelkistä julkaisuista voidaan jo rakentaa tekoäly, joka ohjaa väitöskirjaa, arvioi artikkeleita ja väittelee paneelissa – uskottavasti. Useimmat meistä ajattelevat tutkimusartikkeleita kirjastoiksi: hyllyriveiksi ajatuksia, joihin muut voivat palata. Uusi arXivissa julkaistu esityspaperi ehdottaa toisenlaista kuvaa. Julkaisut ovatkin rakennuspiirustuksia, joista voidaan koota tekijänsä ajattelutapa

By Kari Jaaskelainen
Konferenssien suunta ei ole pakko syntyä suljettujen ovien takana

Konferenssien suunta ei ole pakko syntyä suljettujen ovien takana

Moni tietää tunteen seminaarin päätteeksi: ohjelma oli kiinnostava, mutta kuka päätti, mistä puhuttiin ja mistä ei? Usein vastaus on pieni ohjelmakomitea, joka tekee valinnat ennakkoon. Yleisö kuuntelee, harva vaikuttaa. Eräässä tekoälyn yhteiskunnallisia vaikutuksia käsittelevässä kansainvälisessä konferenssissa kokeiltiin toisenlaista tapaa. Osallistujat eivät vain tulleet paikalle – he auttoivat muokkaamaan itse tilaisuuden suuntaa.

By Kari Jaaskelainen