最新的SWE-BENCH PRO基准测试揭示了GPT-5等大模型在真实复杂软件工程任务中的显著局限，特别是GPT-5高达63.1%的任务未尝试解决，暴露出其在问题理解和主动规划方面的不足。这一结果修正了此前对AI编程能力的过度乐观预期，并为未来AI Agent和软件工程的结合指明了更具挑战性也更务实的研发方向。