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
- 实测智能体数据科学工作流：代码能跑但常答错问题 — hugobowne · 2026-07-27
- 一份横跨 ML、系统、NLP 与音频的经典论文清单 — deliprao · 2026-07-27
- TechCrunch 讨论脑波信号或成 physical AI 训练新钥匙 — TechCrunch AI · 2026-07-27
- NeurIPS 反驳阶段临近：如何写出高质量回复？ — furongh · 2026-07-27
- 一篇名为“在康托空间没人听见你流”的计算机论文 — fkasummer · 2026-07-27
- YC 讨论具身机器人：预训练、记忆和组合行为才是关键 — ycombinator · 2026-07-27