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

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

Koneiden käyttäytymistä ei tarvitse enää kirjoittaa kaavoiksi käsin

Koneiden käyttäytymistä ei tarvitse enää kirjoittaa kaavoiksi käsin

Kun hissi lähtee liikkeelle, ilmastointi säätää puhallusta tai robotti asettaa ruuvin paikalleen, taustalla on malli siitä, miten kone käyttäytyy. Niitä on perinteisesti rakennettu niin kuin hyviä reseptejä: asiantuntija kerää kokemusta, mittaa, kirjoittaa yhtälöitä ja virittää pitkään. Se vie aikaa – ja jokainen muutos laitteessa tai ympäristössä tarkoittaa uutta työtä. Viime vuosina

By Kari Jaaskelainen
Oppimalla ohjattu vedenalainen robotti löysi telakan – myös oikeassa vedessä

Oppimalla ohjattu vedenalainen robotti löysi telakan – myös oikeassa vedessä

Kun robotti-imuri hivuttautuu kotona lataustelakkaansa, kukaan ei pidä hetkeä ihmeenä. Veden alla sama temppu on kaikkea muuta kuin arkipäivää – näkyvyys on huono, virtaukset nykivät, eikä satelliittipaikannus auta. Silti juuri tähän suuntaan on otettu askel, joka voi venyttää vedenalaisten robottien toimintamatkaa ja -aikaa. Vuosia on ajateltu, että vedenalaisen telakoitumisen kaltaiset tehtävät

By Kari Jaaskelainen
Oppivat liikennevalot voivat lyhentää jonotusaikaa kymmenesosan

Oppivat liikennevalot voivat lyhentää jonotusaikaa kymmenesosan

Kaikki tietävät hetken, kun seisot punaisissa valoissa keskellä yötä, eikä mihinkään suuntaan näy autoja. Tai aamun, jolloin tavallinen risteys puuroutuu yllättäen, koska osa kuljettajista päättääkin kääntyä eri suuntaan kuin yleensä. Liikennevalot ovat sääntöjen koneita, mutta liikenne elää kuin säätila. Pitkään ratkaisuksi on ehdotettu ”älykkäitä” valoja, jotka oppivat liikenteestä ja säätävät

By Kari Jaaskelainen