Xeophon：实验室开始在 mini-swe-agent 上训练刷评测分
xeophon · x · 2026-11-02
Xeophon 指出，mini-swe-agent 最初的设计目的是在一个公平且模型未见过环境中隔离测试模型真实能力。但如今各实验室开始针对 mini-swe 工具集做训练来抬高评测分数，使它沦为众多糟糕的 harness 选择之一——没有 compaction、没有 multi-agent、没有真实用户。这实质上是又一起评测污染：原本用于测量能力的基准，正在被当成训练目标而失去参考价值。
「编程与Agent」频道最新
- 夜间无人值守的 coding agent 卡在提问上:双向问答路由仍是空白 — onitsoga · 2026-11-02
- 用 Blender 检验模型生成 3D 游戏资产,Tripo/Meshy 混搭补位 — chongdashu · 2026-11-02
- Articul8 推出 Bivia:跳过废话直接返回 JSON 决策的小模型,置信度校准存疑 — No-Asparagus-8011 · 2026-11-02
- dhh:Agent 时代专长不再护短,难相处的程序员日子难过 — bendee983 · 2026-11-02
- 用 Claude Code 剪视频：博主实测 Opus 5.5 并开源 32 个 skills — aakashgupta · 2026-11-02
- 用 Claude Code 剪视频:博主公开口述笔记驱动的剪辑工作流 — aakashgupta · 2026-11-02