SWE-Bench Pro V2: වඩා පිරිසිදු, රවට්ටිය නොහැකි කෝඩිං මිනුම් දණ්ඩක්

කෝඩිං නියෝජිතයන් මුලින් කිසිවෙකු නොස්පර්ශ කළ ගැටලු වලට ළඟා වන තරතට, ඒවා මැනීමට භාවිතා කරන මිනුම් දණ්ඩු ද පරීක්ෂාවට ලක් වේ. "SWE-Bench Pro V2: A Cleaner, Harder-to-Game Coding Benchmark" (arXiv:2610.24