English(EN) How AI-written code gets graded: the tests decide, and the tests are often wrong

AI 编码基准 SWE-bench 存在缺陷，OpenAI 研究揭示

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-20 08:52

对用于评估 AI 模型标准的 SWE-bench 编码基准的最新分析显示，其测试方法存在严重缺陷。OpenAI 的研究表明，相当大比例的基准样本包含说明不足的问题或单元测试，这些测试会错误地将有效代码标记为错误。此外，一些测试过于宽松，允许错误代码通过，正如 SWE-Lancer 论文中的一个例子所示，该例子中一个小的代码更改掩盖了一个更深层次的问题。由于这些问题，OpenAI 已停止在原始 SWE-bench Verified 数据集上报告分数，现在推荐 SWE-bench Pro。 AI

影响强调了准确评估 AI 编码能力的挑战，表明当前的基准可能无法反映真实性能。

排序理由基于一家主要 AI 实验室的研究，对一个重要的 AI 基准的方法论及其局限性进行了分析。[lever_c_demoted from research: ic=1 ai=1.0]

在 dev.to — LLM tag 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 基于一家主要 AI 实验室的研究，对一个重要的 AI 基准的方法论及其局限性进行了分析。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, product; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 6 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

dev.to — LLM tag TIER_1 English(EN) · AITraining.jobs · 2026-10-20 08:52

AI 编写的代码如何评分：测试决定一切，而测试常常出错

<p>A coding benchmark score looks like a measure of the model. It is a measure of the model against a test suite, and that test suite is written, screened and argued over by people. Two OpenAI datasets show how much human work goes into it and where it breaks; the public job boar…

本文如何被排名

报道来源 [1]

AI 编写的代码如何评分：测试决定一切，而测试常常出错

相关实体

相关话题