SWE Verified 被审计，样本无效率或仍有 5% 到 10%
xeophon · x · 2026-07-25
一段对 SWE Verified / SWE-bench 的回看认为，这个基准集里仍然存在不容忽视的坏样本，足以影响榜单解读。原文称作者检查了头部提交后发现，问题不只是模型没解出来，也包括题面描述不清、测试约束过严等数据集本身的问题。
要点如下：
- 在前五名提交对应的问题里，作者找到了 85 个模型和 scaffold 组合都解不开的案例。
- 其中 40 个最难案例被人工复核。
- 复核后发现 14 个无效样本。
- 按这个比例外推，未解样本中的错误率大约 6%，整体无效样本率大致落在 5%–10%。
配图中的结论也强调：即使是常用的代码评测集，样本噪声仍足以显著影响“谁是 SOTA”的判断。
所属事件:SWE-bench 评测集被指存在最高 10% 无效样本(2 条相关)→
「研究」频道最新
- Nature 新研究实现全身器官细胞活动成像,揭示跨器官体级回路 — arjunrajlab · 2026-09-11
- SignNet 1M 手语数据集发布 — ducha_aiki · 2026-09-11
- ECCV26 口头论文：流匹配实现多视角点云配准 — ducha_aiki · 2026-09-11
- InFlux++ 方法发布 — ducha_aiki · 2026-09-11
- Skyfall GS 登场:用 Flux 提升 Gaussian Splatting 精修质量 — ducha_aiki · 2026-09-11
- 一万个智能体能否突破反向传播,找到更好的学习算法 — SeunghyunSEO7 · 2026-09-11