OpenAI发现知名AI编程测试约30%题目损坏

The Decoder · rss · 2026-07-09

OpenAI审查了用于衡量AI模型编程能力的知名基准测试 SWE-Bench Pro，发现其中约 30% 的任务存在问题或已损坏。因此，OpenAI 决定撤回此前对该基准测试的认可与支持。