Articles et recherche

OpenAI audite SWE-Bench Pro et découvre des défauts dans environ 30 % des tâches d'évaluation

Titre original:Separating signal from noise in coding evaluations

Résumé IA

OpenAI a réalisé un audit détaillé du benchmark de codage SWE-Bench Pro et découvert des défauts dans environ 30 % des tâches. Sur le sous-ensemble public de 731 tâches, le taux de réussite des modèles de pointe est passé de 23,3 % à 80,3 % en huit mois, mais les contrôles de qualité des données révèlent de nombreux problèmes : tests trop stricts, descriptions de prompt insuffisantes, couverture de test incomplète ou indications trompeuses. OpenAI recommande aux développeurs de modèles d'examiner attentivement les résultats d'évaluation et souligne l'utilité croissante des agents IA pour les contrôles de qualité des données à grande échelle.

Points clés

  • OpenAI a réalisé un audit détaillé du benchmark de codage SWE-Bench Pro et découvert des défauts…
  • Sur le sous-ensemble public de 731 tâches,le taux de réussite des modèles de pointe est passé de…
  • OpenAI recommande aux développeurs de modèles d'examiner attentivement les résultats d'évaluation…

En bref

Publié
Mis à jour
Source
OpenAI:官网动态(RSS · 排除企业/客户案例)
Catégorie
Articles et recherche
Score IA
70
Lire l'original Lire l'article complet à la source d'origine
Pourquoi c'est important

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。

Entités associées

Source et droits

Cet article s'appuie sur des titres sélectionnés et des résumés IA issus de l'API publique AIHOT, avec attribution et liens de retour. Les droits sur l'original restent ceux des médias et auteurs d'origine ; ce site ne reproduit pas les textes intégraux.

Article original · Fiche AIHOT

Comment citer

Pour citer cet article, conservez le titre, la date et le lien permanent, et indiquez Orange News comme source.

Orange News : OpenAI audite SWE-Bench Pro et découvre des défauts dans environ 30 % des tâches d'évaluation. 8. juillet 2026. https://new.nat6.net/fr/news/cmrcigf5k01bqihx54i8oph9u/

Tout voir →