Mga Opinyon at Komentaryo

Bakit hindi na sinusukat ng SWE-bench Verified ang frontier coding ability

AI summary

Inanunsyo ng OpenAI na hindi na nila gagamitin ang SWE-bench Verified benchmark para sa frontier coding ability. Nakabatay ang benchmark na ito sa mga makasaysayang isyu sa GitHub, at hindi na tumpak na naipapakita ng distribusyon ng mga gawain nito ang mga aktwal na problemang kailangang lutasin ng AI coding assistant ngayon. Habang bumubuti ang performance ng modelo, nagiging saturated ang test set ng benchmark at bumababa ang kakayahang mag-distinguish, at ang performance ng mga kasalukuyang modelo ay malapit na sa antas ng tao. Kaya naman, lilipat ang team sa mga bagong paraan ng ebalwasyon na mas mapaghamon at mas makatotohanan ang pagiging kumplikado.

Mahahalagang impormasyon

  • Inanunsyo ng OpenAI na hindi na nila gagamitin ang SWE-bench Verified benchmark para sa frontier…
  • Nakabatay ang benchmark na ito sa mga makasaysayang isyu sa GitHub,at hindi na tumpak na…
  • Habang bumubuti ang performance ng modelo,nagiging saturated ang test set ng benchmark at bumababa…
  • Kaya naman,lilipat ang team sa mga bagong paraan ng ebalwasyon na mas mapaghamon at mas…

Mabilisang tingin

Na-publish noong
Na-update noong
Pinagmulan
OpenAI:官网动态(RSS · 排除企业/客户案例)
Kategorya
Mga Opinyon at Komentaryo
AI na marka
71
Basahin ang orihinal Basahin ang buong artikulo sa orihinal na pinagmulan
Dahilan ng rekomendasyon

OpenAI 亲自给 SWE-bench Verified 判了死刑,这比任何第三方评测都有说服力。做 coding agent 选型的人该认真想想,你的 benchmark 体系是不是也该换了。

Kaugnay na Entity

Pinagmulan at copyright

Ang artikulong ito ay batay sa mga piling pamagat at AI summary mula sa pampublikong API ng AIHOT, may nakasaad na pinagmulan at backlink; ang copyright ng orihinal na teksto ay pag-aari ng orihinal na media at may-akda, hindi namin ginagaya ang buong teksto.

Link ng orihinal · Entry sa AIHOT

Paano banggitin

Kapag binabanggit ang artikulong ito, panatilihin ang pamagat, petsa at permanenteng link, at banggitin ang Orange News bilang pinagmulan.

Orange News: Bakit hindi na sinusukat ng SWE-bench Verified ang frontier coding ability. 27 Abril 2026. https://new.nat6.net/fil/news/cmog2im0800vbslr37vxebh5g/

Tingnan lahat →