宠物狗撕咬羊羔

SWE-bench满分，0个bug修复：伯克利造了个专门作弊的AI_蜘蛛资讯网

行业围绕分数竞争，分数本身的可信度反而成了最被忽视的东西。评测本身没有错，反而比以往任何时候都重要。不是「分数是多少」，而是「这个分数是怎么来的」。回到开头那10行代码。SWE-bench上，最好的模型跑出70%、80%的成绩，各家发布会上反复引用。但一个什么都不会的conftest.py拿了100%。在这个100%被造出来之前，没有人觉得分数有问题。参考资料：https://x.com/dote

当前文章：http://qo7o7j.wenkepu.cn/c9xdi/hldc.html

发布时间：08:46:24