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
- EMNLP 2026 两篇论文：小模型实体追踪超人类、类人短暂记忆研究 — GretaTuckute · 2026-10-27
- 历时十年研究：秘鲁 Tarma 克丘亚语的「反自然」音系限制首获实证 — begusgasper · 2026-10-27
- Clinical System One v0.2:更难测试下顶级医疗 AI 准确率跌至 65% — MaziyarPanahi · 2026-10-27
- IdeaAnchor:用 1.4 万篇论文的灵感溯源教 LLM 基于文献提想法 — armancohan · 2026-10-26
- MIT Ziming Liu 批评 AutoResearch：不懂原理的训练技巧会引发 forking 过拟合灾难 — ZimingLiu11 · 2026-10-26
- 斯坦福数据中心化 AI 研讨会开放报名，海报截止延期 — jure · 2026-10-26