为什么重要
当 SWE-bench Verified 头名越过 97%、SWE-bench Pro 过 80% 之后，编码基准的难度军备竞赛集中在两个方向：更长的时间跨度、更大的单仓库改动量。但真实软件开发有一条这两条路都没碰过的难度轴：一个变更本身就要横跨多个相互依赖的仓库——改共享 API 要连着改它的服务端与客户端，改认证协议要同步改身份与遥测，升级依赖要一路传播到下游。这恰是开源生态里每天都在发生、而任何单仓库基准都无法测量的工作形态。
CrossSWE 把这条轴变成了 171 个可执行验证的真实实例，并且做了一件比「出题」更关键的事：联合必要性验证——每个实例都验证过「只改其中任何一个仓库都不足以完成任务」。这堵住了「Agent 只把容易的那半个仓库改对也能拿分」的漏洞，保证分数测的是协同修改能力而非单仓库能力的简单叠加。
构建方式
流水线三阶段，逐级收紧：
- 候选发现：从 GitHub 公开仓库的开发历史里挖掘涉及多仓库协同修改的真实变更（issue、PR、review 记录）。
- 源头验证：重建任务意图与参考补丁，确认变更确实需要跨仓库协同。
- 环境构建 + 联合必要性验证：为每个实例构建专用 Docker 镜像，所有参与仓库锁定在已验证的 base commit；若单独修改任一仓库就能让测试通过，该候选被丢弃。剩余实例构成正式评测集。
每个实例含四部分：预配置执行环境（≥2 个参与仓库）、任务描述、验证器（测试套件）、参考补丁。任务意图分八个互斥类别：功能开发（54）、API/模式/协议演进（43）、缺陷修复（22）、安全/身份/可观测性协同（21）、部署/平台/运行时协同（14）、迁移/升级/重构（9）、测试/基准/一致性适配（7）、传递性变更传播（1）——功能开发与 API 演进合计 97/171，说明基准重心在「演进型工程」而非「修 bug」。作者用 oauth2-proxy 与 Higress 的真实案例说明任务形态：oauth2-proxy 需把 cookie 保持为列表，Higress 需逐条处理输出 cookie，只改一边接口就不一致，两边协同改才能恢复预期行为。
数据以 CC BY 4.0（基准材料）+ 上游许可（源码引用）双许可发布在 HuggingFace，patch 溯源保留。
关键发现
- 联合修改比单侧修改系统性更难，且弱模型掉得更多。GPT-6.1 Sol 联合 58.48% vs 单侧 64.55%（−6.07pp）；DeepSeek V4.1 Flash 联合 52.63% vs 单侧 61.81%（−9.18pp）。步数同步膨胀：Sol 联合 32.9 步 vs 单侧 18.5 步，DeepSeek 联合 152.7 步 vs 单侧 126.9 步。「跨仓库协同」对弱模型的边际惩罚更大，这本身就是该难度轴存在的直接证据。
- 跨仓库不一致是全部五款模型的第一失败模式：占 GPT 失败轨迹的 44.2%、Claude 的 41.2%、GLM 的 40.7%、DeepSeek 的 29.2%。每个仓库的补丁单独看都「正确」，拼在一起却接口不兼容——这正是人类工程师做跨仓库变更时最怕的那类错误，现在被定量证明同样是 Agent 的头号坑。
- 第二失败模式是「不完整实现」：Claude 29.4%、DeepSeek 25.0%、GLM 25.4%。DeepSeek 的失败谱最分散，兼容性回归占 18.8%。
- 开源模型靠 token 暴力换分：DeepSeek 单实例平均 17.54M 输入 token、88.73K 输出 token、152.7 步，对 GPT-6.1 Sol 的 0.97M / 12.5K / 32.9 步——输入量 18 倍、步数 4.6 倍，换来总分低 5.85pp 但成本反而最低（0.2881 美元 vs 0.3496 美元/实例）。在 CrossSWE 上，「每分成本」与「绝对能力」的排序完全相反。
- 闭源模型内部也分化：Sonnet 5.5 的跨语/单语落差（52.59 → 43.64，−8.95pp）远大于 Sol 的 −5.79pp 与 DeepSeek 的 +0.14pp，说明跨语言一致性是独立于总能力的第二条轴。
关联基准与展望
关联：SWE-bench Pro（单仓库长程工程）、SWE-Marathon（小时级项目全周期）、SWE-bench Multimodal（单仓库多模态）。同期还有两个相邻工作：Switch-SWE（arXiv:2611.02017，多任务切换后恢复未完成任务，7 款 Agent 平均 11.5pp 的焦点任务落差）与 THReD（arXiv:2611.02484，EHR 数据预处理 Agent），两者尚未建卡。CrossSWE 与 Switch-SWE 分别占领「空间维度的跨仓库」与「时间维度的多任务」两块单仓库基准覆盖不到的疆域。局限：传递性变更传播仅 1 例、部分类别样本极少；模型阵容五款且以 Flash 档开源模型为主，头部闭源（Opus 5.5 / Astra）未测——58.48% 的「最强模型」只是这个阵容里的最强。