SWE-bench Verified 排行榜上，Claude Opus 4.6 拿了 80.8%。OpenAI 直接不交卷了——他们认为这个榜单存在训练数据污染，分数已经不能反映真实能力。有意思。两家最强的编程 AI，一个考了高分，一个拒绝参考。那我换个考法：让它们干同一件活——审计我手里这个十几年的 C++ 遗产项目——看看实战结果差多少。注：截图中 Agent-2 显示为 "o4-mini"