为什么 SWE-bench Verified 不再衡量前沿编码能力
AI 摘要
OpenAI宣布停止使用SWE-bench Verified基准评估前沿编码能力。该基准基于GitHub历史问题构建,其任务分布已无法准确反映当前AI编码助手需解决的实际问题类型。随着模型性能提升,基准测试集趋于饱和,区分度下降,现有模型表现已接近人类水平。因此,团队将转向更具挑战性和现实复杂度的新评估方法。
关键信息
- OpenAI宣布停止使用SWE-bench Verified基准评估前沿编码能力。
- 该基准基于GitHub历史问题构建,其任务分布已无法准确反映当前AI编码助手需解决的实际问题类型。
- 随着模型性能提升,基准测试集趋于饱和,区分度下降,现有模型表现已接近人类水平。
- 因此,团队将转向更具挑战性和现实复杂度的新评估方法
- 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。
速览
- 发布时间
- 更新时间
- 分类
- 观点与评论
- AI 评分
- 71
推荐理由
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。
相关实体
来源与版权
本文基于 AIHOT 公开 API 的精选标题与 AI 摘要整理,已注明来源并回链;原文版权归原媒体与作者所有,本站不镜像全文。
如何引用
引用本文时请保留标题、日期与永久链接,并注明来源为橙子新闻。
橙子新闻:为什么 SWE-bench Verified 不再衡量前沿编码能力。2026年4月27日。https://new.nat6.net/news/cmog2im0800vbslr37vxebh5g/