OpenAI ตรวจสอบ SWE-Bench Pro พบงานประเมินราว 30% มีข้อบกพร่อง
หัวข้อต้นฉบับ:Separating signal from noise in coding evaluations
สรุปโดย AI
OpenAI ตรวจสอบ基準การเขียนโค้ด SWE-Bench Pro อย่างละเอียด พบว่างานราว 30% มีข้อบกพร่อง ในชุดย่อยสาธารณะ 731 งาน อัตราการผ่านของโมเดลแนวหน้าสูงขึ้นจาก 23.3% เป็น 80.3% ภายในแปดเดือน แต่การตรวจสอบคุณภาพข้อมูลพบว่างานจำนวนมากมีปัญหาการทดสอบเข้มงวดเกินไป คำอธิบาย prompt ไม่เพียงพอ ความครอบคลุมการทดสอบไม่ครบ หรือ prompt ที่ทำให้เข้าใจผิด OpenAI แนะนำให้นักพัฒนาโมเดลพิจารณาผลการประเมินอย่างรอบคอบ และชี้ให้เห็นถึงประโยชน์ที่เพิ่มขึ้นของเอเจนต์ AI ในการตรวจสอบคุณภาพข้อมูลขนาดใหญ่
ข้อมูลสำคัญ
- OpenAI ตรวจสอบ基準การเขียนโค้ด SWE-Bench Pro อย่างละเอียด พบว่างานราว 30% มีข้อบกพร่อง ในชุดย่อยสาธาร…
- 3% เป็น 80.
- 3% ภายในแปดเดือน แต่การตรวจสอบคุณภาพข้อมูลพบว่างานจำนวนมากมีปัญหาการทดสอบเข้มงวดเกินไป คำอธิบาย…
สรุปสั้น
- เวลาเผยแพร่
- เวลาอัปเดต
- แหล่งที่มา
- OpenAI:官网动态(RSS · 排除企业/客户案例)
- หมวดหมู่
- บทความและงานวิจัย
- คะแนน AI
- 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。
เอนทิตีที่เกี่ยวข้อง
แหล่งที่มาและลิขสิทธิ์
บทความนี้เรียบเรียงจากพาดหัวคัดสรรและบทสรุป AI จาก API สาธารณะของ AIHOT โดยระบุแหล่งที่มาและลิงก์กลับแล้ว ลิขสิทธิ์ต้นฉบับเป็นของสื่อและผู้เขียนต้นทาง เว็บไซต์นี้ไม่ได้สะท้อนเนื้อหาฉบับเต็ม
วิธีอ้างอิง
เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News
Orange News: OpenAI ตรวจสอบ SWE-Bench Pro พบงานประเมินราว 30% มีข้อบกพร่อง 8 กรกฎาคม 2026 https://new.nat6.net/th/news/cmrcigf5k01bqihx54i8oph9u/