OpenAI审计了广泛用于评估AI编码能力的基准SWE-Bench Pro,并发现其不可靠。他们的调查显示,该基准的相当一部分任务存在缺陷,包括问题损坏、隐藏需求和评分标准不完整等问题。因此,OpenAI撤回了其对研究界使用SWE-Bench Pro评估前沿编码性能的建议,并强调随着编码模型的进步,需要更强大、更值得信赖的评估方法。 AI
影响 强调了随着AI编码模型快速改进,需要更强大、更值得信赖的基准。
排序理由 OpenAI公布了关于一个广泛使用的AI基准不可靠性的调查结果。
AI 生成摘要 · Google Gemini · 来自 8 个来源。 我们如何撰写摘要 →