OpenAI 指出 SWE-Bench Pro 编码评测存在缺陷
OpenAI News · rss · 2026-07-08
OpenAI 发布了一项新分析，指出当前流行的 AI 编码基准测试 SWE-Bench Pro 存在可靠性与准确性问题。
该分析揭示了在利用此类基准测试评估 AI 模型编码能力时，可能会混入干扰信号，从而影响评估结果的有效性。这引发了业界对于如何更科学、准确地衡量 AI 模型真实编程能力的反思。
「研究」频道最新
- 医疗评测：Kimi K3 平 GPT-6，但疑难病例开源落后 17 个百分点 — keunwoochoi · 2026-10-27
- 健康专项榜单洗牌：综合第 9 的开源模型跃居 Health Index 第一 — keunwoochoi · 2026-10-27
- 开源编译器 Latch 从 PyTorch 生成训练 megakernel，H100 上提速 2.75 倍 — sguada · 2026-10-27
- Goodfire 投入 1000 万美元启动 AI 版「人类基因组计划」破解可解释性 — CatAstro_Piyush · 2026-10-27
- π0.5 实验：演示数从 10 增至 438，放球入碗成功率 7%→83% — stingning · 2026-10-27
- 灵巧操作基准 HandsOn 发布:66 个人工核验任务配 1.8 万条人类示范 — stingning · 2026-10-27