OpenAI-Audit von SWE-Bench Pro findet Mängel bei rund 30 % der Evaluierungsaufgaben
Originaltitel:Separating signal from noise in coding evaluations
KI-Zusammenfassung
OpenAI hat den Coding-Benchmark SWE-Bench Pro eingehend geprüft und bei rund 30 % der Aufgaben Mängel festgestellt. Im öffentlichen Teilset von 731 Aufgaben stieg die Bestehensrate von Frontier-Modellen binnen acht Monaten von 23,3 % auf 80,3 %; die Datenqualitätsprüfung zeigte jedoch zahlreiche Probleme wie zu strenge Tests, unzureichende Prompt-Beschreibungen, unvollständige Testabdeckung oder irreführende Hinweise. OpenAI empfiehlt Modellentwicklern, Evaluierungsergebnisse sorgfältig zu prüfen, und verweist auf den wachsenden Nutzen von KI-Agenten für Datenqualitätsprüfungen im großen Maßstab.
Kernpunkte
- OpenAI hat den Coding-Benchmark SWE-Bench Pro eingehend geprüft und bei rund 30 % der Aufgaben…
- Im öffentlichen Teilset von 731 Aufgaben stieg die Bestehensrate von Frontier-Modellen binnen acht…
- die Datenqualitätsprüfung zeigte jedoch zahlreiche Probleme wie zu strenge Tests,unzureichende…
- OpenAI empfiehlt Modellentwicklern,Evaluierungsergebnisse sorgfältig zu prüfen,und verweist auf…
Auf einen Blick
- Veröffentlicht
- Aktualisiert
- Quelle
- OpenAI:官网动态(RSS · 排除企业/客户案例)
- Kategorie
- Papers & Forschung
- KI-Bewertung
- 70
OpenAI 自己审计了 SWE-Bench Pro,发现三成任务有缺陷,这个基准给出来的分数可能要打问号,做模型评测和选型的人该认真看看。
Verwandte Entitäten
Quelle & Urheberrecht
Dieser Artikel basiert auf kuratierten Titeln und KI-Zusammenfassungen der öffentlichen AIHOT-API, mit Quellenangabe und Rückverlinkung. Das Urheberrecht am Original liegt bei den ursprünglichen Medien und Autoren; diese Seite spiegelt keine Volltexte.
Zitierhinweis
Beim Zitieren dieses Artikels bitte Titel, Datum und Permalink beibehalten und Orange News als Quelle angeben.
Orange News: OpenAI-Audit von SWE-Bench Pro findet Mängel bei rund 30 % der Evaluierungsaufgaben. 8. Juli 2026. https://new.nat6.net/de/news/cmrcigf5k01bqihx54i8oph9u/