OpenAI 审计 SWE-Bench Pro 发现约 30% 的评测任务存在缺陷
原文标题:Separating signal from noise in coding evaluations
AI 摘要
OpenAI 对编码评测基准 SWE-Bench Pro 进行详细审计,发现约 30% 的任务存在缺陷。在 731 个任务的公开子集中,前沿模型通过率在八个月内从 23.3% 提升至 80.3%,但数据质量检查显示大量任务存在测试过于严格、提示词描述不足、测试覆盖不全或误导性提示等问题。OpenAI 建议模型开发者仔细审视评测结果,并指出 AI 智能体在规模化数据质量检查中日益增长的实用性。
关键信息
- OpenAI 对编码评测基准 SWE-Bench Pro 进行详细审计,发现约 30% 的任务存在缺陷。
- 在 731 个任务的公开子集中,前沿模型通过率在八个月内从 23.
- 3% 提升至 80.
- 3%,但数据质量检查显示大量任务存在测试过于严格、提示词描述不足、测试覆盖不全或误导性提示等问题。
- OpenAI 建议模型开发者仔细审视评测结果,并指出 AI 智能体在规模化数据质量检查中日益增长的实用性
速览
- 发布时间
- 更新时间
- 分类
- 论文与研究
- AI 评分
- 70
推荐理由
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。
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:OpenAI 审计 SWE-Bench Pro 发现约 30% 的评测任务存在缺陷。2026年7月8日。https://new.nat6.net/news/cmrcigf5k01bqihx54i8oph9u/