Specific Labs zveřejnily benchmark Real-SWE, který testuje coding agenty na soukromých a skutečných firemních repozitářích. Úlohy pocházejí z produkčních kódových základen licencovaných od reálných společností a zahrnují například fakturaci, výpočet daní nebo migrace zákazníků napříč více službami. V prvním zveřejněném pořadí dosáhl Fable 5.1 s Claude Code úspěšnosti 38,8 procenta, GPT-6 Astra s Codex CLI 33,8 procenta a Gemini 3.8 Flash s Gemini CLI 31,2 procenta. Výsledky mají ukázat rozdíl mezi řešením úloh v běžném veřejném repozitáři a prací v systému s vlastními pravidly a obchodními dopady. Benchmark ale není plně reprodukovatelný, protože testovaný kód zůstává neveřejný. Autoři proto zveřejňují hlavně metodiku, výsledky a analýzu obtížnosti, nikoli samotné firemní úlohy.
