正文 · AI 翻译
我们对 SWE-Bench Pro（最广泛使用的 AI 编程评测基准之一）进行了审计，发现它已无法可靠地衡量前沿编程能力。
我们发现 SWE-Bench Pro 中有 30% 的任务存在缺陷，因此撤回此前建议研究社区将其作为主要编程评估标准的推荐。 https://openai.com/index/separating-signal-from-noise-coding-evaluations/
AI 导读
我们审计了 SWE-Bench Pro（最广泛使用的 AI 编码基准之一），发现它已不再能可靠衡量前沿编码能力。 我们发现 30% 的 SWE-Bench Pro 任务存在问题，因此撤回此前推荐研究社区将其作为主要编码评估的建议。 https://openai.com/index/separating-signal-from-noise-coding-evaluations/
OpenAI@OpenAI同事件
73
AI 编辑部评分，满分 100我们审计了 SWE-Bench Pro（最广泛使用的 AI 编码基准之一），发现它已不再能可靠衡量前沿编码能力。 我们发现 30% 的 SWE-Bench Pro 任务存在问题，因此撤回此前推荐研究社区将其作为主要编码评估的建议。 https://openai.com/index/separating-signal-from-noise-coding-evaluations/