普通程序错误像一道答案固定的题；并发故障更像几个人同时改一份表格，操作顺序稍有变化，问题就可能消失或重现。SWE-Race因此不考写新功能，而是让编码Agent独立排查188个真实故障，包括竞态条件（多个任务同时读写造成结果不定）、死锁（任务彼此等待而卡住）和取消故障（任务中止后清理或状态传递出错）。
据项目作者在 Reddit 介绍，这些任务取自约100个Python项目已经合并的PR，并由项目自身的测试判分。运行环境断网，代码库也被截在单个提交上，防止Agent从Git历史直接找回现成修复。最值得注意的是难度分层：约一半任务对所有参测模型都接近满分，真正拉开差距的是另一半，三个模型在这些难题上的成绩分别为50%、45%和23%。换句话说，只看总分容易掩盖编码Agent处理棘手并发问题的差异。作者还报告，GLM-5.3 Flash单次尝试得分85%；允许两至三次尝试时为82%，与GPT-5.6 Luna的81%处于误差范围内。