研究突破
OpenAI 停止評估 SWE-bench Verified 基準測試
Why we no longer evaluate SWE-bench Verified
OpenAI Blog · 2026-02-23
摘要
OpenAI 發表分析指出 SWE-bench Verified 基準測試存在數據洩漏和測試缺陷問題，導致對前沿編程模型進度的評估不準確。OpenAI 建議轉向使用 SWE-bench Pro 作為更可靠的評測標準，以確保編程 AI 模型的真實性能評估。
●開發者：需要採用 SWE-bench Pro 等更嚴格的基準來驗證編程模型品質
●投資人：編程 AI 的真實進度評估存在偏差，需重新審視相關投資判斷
●一般用戶：編程助手實際能力可能被高估，後續版本需更嚴格把關
重要性評分
🟠 值得關注
喜歡這篇？每天早晨還有更多。
訂閱 5min AI，讓 AI 替你追蹤整個 AI 世界。
相關指南
Laya 開源決策模型中文實測：零樣本 53 題判斷題結果
Laya 是 Apache 2.0 的開源決策模型，不生成文字、只做選擇題。我們用 53 題中文長文判斷題零樣本實測，記錄結果、設定陷阱與使用建議。
閱讀指南 →
AI聲稱解開400年密碼「Cyphral Distich」：我們調閱原件逐字核對的結果
Vals AI 宣稱用 Fable 5.1 解開 Thomas Urquhart 400 年前密碼 Cyphral Distich，Reticuli 隨即提出反駁指其「未解」。我們調閱大英圖書館、1834年版與傳記三份原件逐字核對，找出雙方都沒點出的關鍵差異：兩邊用的是不同版本的底本。
閱讀指南 →
ChatGPT 小型企業工具集（Small Business Collection）：16 個官方工具怎麼用、台灣店家該注意什麼
OpenAI 官方 ChatGPT 小型企業工具集共 16 個外掛，我們逐一核對官方目錄頁與工具詳情頁，整理成台灣店家看得懂的用法與注意事項——包含最容易被忽略的 Mercury 銀行外掛，以及方案、地區限制官方沒有講清楚的地方。
閱讀指南 →🤖 本文摘要由 AI 自動生成，內容源自原始報導。如有疑慮，請參閱關於我們。
喜歡這篇？每天早晨還有更多。
訂閱 5min AI，讓 AI 替你追蹤整個 AI 世界。