Byl představen nový benchmark SWE-Serve, který hodnotí inženýrské úlohy při provozu systémů pro umělou inteligenci. Vznikl s podílem týmu SGLang, což je open-source systém určený pro provoz velkých jazykových modelů (LLM).

Měřit produktivitu programátorů podle počtu řádků kódu se běžně považuje za nesmysl a Willison sám říká, že to mnoho lidí tvrdí. Přesto rozvíjí argument, že u kódovacích agentů takové počítání někdy smysl má.