首页OpenAI 抨击 AI 基准测试：近三分之一的问题存在缺陷，通过率在 8 个月内飙升至 80%
OpenAI在一篇博客文章中公开质疑了业界领先的基准测试工具SWE-Bench Pro，称其731个公开测试任务中约有30%存在评估缺陷。 由 Scale AI 开发的 SWE-Bench Pro 旨在评估大型语言模型和 AI 代理的编码能力。由于它高度模拟了现实世界中的企业开发场景，并实施了严格的反作弊措施，因此已成为 AI 软件工程领域广受信赖的基准测试。
OpenAI 在博文中指出了一个关键信号：顶级模型在此基准测试中的通过率在短短八个月内从 23.3% 跃升至 80.3%。如此迅猛的进步令人起疑，OpenAI 认为该基准测试已无法准确衡量模型在现实世界中的软件开发能力。 这一问题很可能源于评估机制本身的缺陷，而非模型能力真正实现了飞跃。
经过交叉验证的两条审查路径显示，近30%的任务被判定为“不合格”。
为验证这一情况，OpenAI启动了两项并行的审查流程。数据点分析发现了200个未通过的任务，占731个公开任务的27.4%。与此同时，人工标注则标记出249个未通过的任务，占比34.1%。 通过交叉比对这两种方法，OpenAI 估计 SWE-Bench Pro 任务中约有 30% 存在缺陷，主要分为四类：测试标准过严、提示词不充分、测试覆盖范围过窄以及提示词具有误导性。
OpenAI 还分享了一个典型案例：某项任务要求在将内容转换为 Markdown 格式时，行首仅保留一个空格，但隐藏的测试标准却要求保留两个空格。 因此，即使模型遵循了明文要求，仍会被判定为错误。这种显式指令与隐含要求之间的不匹配，直接扭曲了对模型真实能力的评估，也解释了通过率出现不合理飙升的原因。
撤回采用建议并呼吁重建 AI 评估体系
基于这一分析，OpenAI 已正式撤回其此前关于使用 SWE-Bench Pro 的推荐。该公司认为，未来的基准测试应由经验丰富的软件开发人员专门针对 AI 评估而设计，而非将原本为人类开发人员设计的测试逻辑直接套用。 如果一个行业基准测试中近 30% 的任务存在缺陷，整个 AI 评估体系的可信度就会受到质疑。将重点从追求分数的竞赛转向对真实工程能力的评估，这可能是 AI 软件工程评估中的下一个关键步骤。
相关文章
美国股市触及历史里程碑，人工智能与航空航天巨头准备开启万亿美元时代
埃隆·马斯克、山姆·阿尔特曼和达里奥·阿莫迪，这三位科技领域的巨头，正推动其各自的企业迈向首次公开募股（IPO）。随着 SpaceX、OpenAI 和 Anthropic——这三家估值接近万亿美元的行业巨头——即将上市，2026 年被预测将成为美国历史上新股发行规模最大的一年。这一历史性的资本激增已引起全球金融界的关注，成为检验公共市场吸收如此大规模资金能力的关键压力测试。这些主要融资活动的同步启动预计将打破 2021 年创下的 1560 亿美元纪录。超级独角兽的资本博弈每家公司上市的路径
瑞典人工智能初创公司Lovable Eyes在完成主要融资轮后估值达132亿美元
随着人工智能驱动的编码工具日益普及，瑞典初创公司 Lovable 已获一轮重大融资。该公司计划筹集 30 亿美元，其估值有望升至 132 亿美元——这是去年 12 月记录的 66 亿美元的两倍。预计 Menlo Ventures 将主导此次投资。Lovable 的吸引力源于其核心的“氛围编码”（vibe coding）技术，该技术通过消除对复杂编码技能的需求来简化软件开发。用户只需以自然语言描述其需求，系统即可自动生成应用程序。这种直观的方法吸引了个人开发者、设计师和小企业，并扩展至 Work
Google 测试 Remy AI 代理，以 Gemini 为重点转向用户控制
根据《商业内幕》的报道，谷歌正在测试 Remy，这是 Gemini 的一款全新 AI 个人代理工具。该工具旨在代表用户执行任务，从而简化专业工作流程和日常事务。目前，Remy 正在 Gemini 应用的内部员工专属版本中进行测试。该报告引用了一份内部文件以及对两位熟悉该项目的个人的采访。内部资料将 Remy 描述为“全天候个人代理”，将 Gemini 定位为能够代表用户行事的主动助手。接近该项目的消息人士证实，谷歌员工正在积极测试 Remy。谷歌发言人拒绝提供进一步评论。该报告未提及公开发布
相关专题推荐
搜索引擎优化
最适合制定搜索策略的AI搜索结果页面（SERP）分析工具
2026年最新、最受欢迎且评价最高的人工智能搜索结果页面（SERP）分析工具，均由XIX.AI通过严格的实际测试精心筛选，并每周更新排名。这些强大的工具可助您发掘隐藏的优化机会、提升内容表现，并在搜索领域获得竞争优势。立即寻找最适合您的工具，提升您的搜索策略。现在就来探索吧！
13 个工具
xix.ai
数据分析
适用于 SaaS 和电商团队的 KPI 监控最佳 AI 异常检测工具
2026 年最新最佳顶级评分 AI 异常检测工具，助力 SaaS 和电商团队的 KPI 监控！XIX.AI 基于严格的真实世界测试和每周更新的排名，精心策划了一套强大且颠覆性的工具合集。您将找到详细的免费与付费对比洞察，帮助您识别必须尝试的解决方案，从而提升生产力并释放您的 AI 优势。立即探索！
10 个工具
xix.ai
写作
最适合撰写长篇SEO文章的AI大纲生成器
2026年最新、最受好评的AI大纲生成器，专为长篇SEO文章打造，由XIX.AI精心甄选。这些强大的工具在快速创建高质量内容方面提供了颠覆性的帮助，显著提升了写作效率。 获取免费版与付费版的对比分析，以及实际测试结果和详细排名，助您找到最适合自身需求、不容错过的理想选择。立即探索，解锁您的AI竞争优势。
8 个工具
xix.ai
教育与学习
用于作业和考试备考的AI学习工具
2026年最新最佳AI学习工具，助您轻松完成作业和备考！XIX.AI精心筛选出一份广受好评的顶级工具清单，这些功能强大、颠覆传统的工具经过实际测试，能帮助学生提升效率、简化作业流程，并轻松通过考试。 获取免费版与付费版的对比分析、详细排名以及必试选项，释放你的AI优势。立即探索！
10 个工具
xix.ai
音乐创作
面向词曲创作者、旋律片段、主旋律及多语言草稿创作的AI人声演示工具
2026 年最新最佳 AI 人声演示工具，专为词曲创作者、旋律创作者和多语言内容团队打造！XIX.AI 精心整理了一份经过严格真实世界测试的高评分、变革性工具列表。您将找到详细的免费与付费对比数据、全面排名以及必试选项，帮助您提升创作效率并释放创意潜力。立即探索，发现满足您所有内容需求的完美工具！
9 个工具
xix.ai
商业
适合中小企业的最佳AI竞品分析工具
2026年最新最佳、评价最高的中小企业AI竞争研究工具！XIX.AI精心精选了一系列功能强大、颠覆行业格局的工具，每周都会根据严格的实际测试和详细排名进行更新。您可以查看全面的免费版与付费版对比，从而找到那些能提升工作效率、助您赢得竞争优势的必试工具。 立即探索，发现最适合您的工具！
9 个工具
xix.ai
评论 (0)
0/500
OpenAI在一篇博客文章中公开质疑了业界领先的基准测试工具SWE-Bench Pro，称其731个公开测试任务中约有30%存在评估缺陷。 由 Scale AI 开发的 SWE-Bench Pro 旨在评估大型语言模型和 AI 代理的编码能力。由于它高度模拟了现实世界中的企业开发场景，并实施了严格的反作弊措施，因此已成为 AI 软件工程领域广受信赖的基准测试。
OpenAI 在博文中指出了一个关键信号：顶级模型在此基准测试中的通过率在短短八个月内从 23.3% 跃升至 80.3%。如此迅猛的进步令人起疑，OpenAI 认为该基准测试已无法准确衡量模型在现实世界中的软件开发能力。 这一问题很可能源于评估机制本身的缺陷，而非模型能力真正实现了飞跃。
经过交叉验证的两条审查路径显示，近30%的任务被判定为“不合格”。
为验证这一情况，OpenAI启动了两项并行的审查流程。数据点分析发现了200个未通过的任务，占731个公开任务的27.4%。与此同时，人工标注则标记出249个未通过的任务，占比34.1%。 通过交叉比对这两种方法，OpenAI 估计 SWE-Bench Pro 任务中约有 30% 存在缺陷，主要分为四类：测试标准过严、提示词不充分、测试覆盖范围过窄以及提示词具有误导性。
OpenAI 还分享了一个典型案例：某项任务要求在将内容转换为 Markdown 格式时，行首仅保留一个空格，但隐藏的测试标准却要求保留两个空格。 因此，即使模型遵循了明文要求，仍会被判定为错误。这种显式指令与隐含要求之间的不匹配，直接扭曲了对模型真实能力的评估，也解释了通过率出现不合理飙升的原因。
撤回采用建议并呼吁重建 AI 评估体系
基于这一分析，OpenAI 已正式撤回其此前关于使用 SWE-Bench Pro 的推荐。该公司认为，未来的基准测试应由经验丰富的软件开发人员专门针对 AI 评估而设计，而非将原本为人类开发人员设计的测试逻辑直接套用。 如果一个行业基准测试中近 30% 的任务存在缺陷，整个 AI 评估体系的可信度就会受到质疑。将重点从追求分数的竞赛转向对真实工程能力的评估，这可能是 AI 软件工程评估中的下一个关键步骤。
美国股市触及历史里程碑，人工智能与航空航天巨头准备开启万亿美元时代
埃隆·马斯克、山姆·阿尔特曼和达里奥·阿莫迪，这三位科技领域的巨头，正推动其各自的企业迈向首次公开募股（IPO）。随着 SpaceX、OpenAI 和 Anthropic——这三家估值接近万亿美元的行业巨头——即将上市，2026 年被预测将成为美国历史上新股发行规模最大的一年。这一历史性的资本激增已引起全球金融界的关注，成为检验公共市场吸收如此大规模资金能力的关键压力测试。这些主要融资活动的同步启动预计将打破 2021 年创下的 1560 亿美元纪录。超级独角兽的资本博弈每家公司上市的路径
瑞典人工智能初创公司Lovable Eyes在完成主要融资轮后估值达132亿美元
随着人工智能驱动的编码工具日益普及，瑞典初创公司 Lovable 已获一轮重大融资。该公司计划筹集 30 亿美元，其估值有望升至 132 亿美元——这是去年 12 月记录的 66 亿美元的两倍。预计 Menlo Ventures 将主导此次投资。Lovable 的吸引力源于其核心的“氛围编码”（vibe coding）技术，该技术通过消除对复杂编码技能的需求来简化软件开发。用户只需以自然语言描述其需求，系统即可自动生成应用程序。这种直观的方法吸引了个人开发者、设计师和小企业，并扩展至 Work
Google 测试 Remy AI 代理，以 Gemini 为重点转向用户控制
根据《商业内幕》的报道，谷歌正在测试 Remy，这是 Gemini 的一款全新 AI 个人代理工具。该工具旨在代表用户执行任务，从而简化专业工作流程和日常事务。目前，Remy 正在 Gemini 应用的内部员工专属版本中进行测试。该报告引用了一份内部文件以及对两位熟悉该项目的个人的采访。内部资料将 Remy 描述为“全天候个人代理”，将 Gemini 定位为能够代表用户行事的主动助手。接近该项目的消息人士证实，谷歌员工正在积极测试 Remy。谷歌发言人拒绝提供进一步评论。该报告未提及公开发布
2026年最新、最受欢迎且评价最高的人工智能搜索结果页面（SERP）分析工具，均由XIX.AI通过严格的实际测试精心筛选，并每周更新排名。这些强大的工具可助您发掘隐藏的优化机会、提升内容表现，并在搜索领域获得竞争优势。立即寻找最适合您的工具，提升您的搜索策略。现在就来探索吧！
13 个工具
xix.ai
2026 年最新最佳顶级评分 AI 异常检测工具，助力 SaaS 和电商团队的 KPI 监控！XIX.AI 基于严格的真实世界测试和每周更新的排名，精心策划了一套强大且颠覆性的工具合集。您将找到详细的免费与付费对比洞察，帮助您识别必须尝试的解决方案，从而提升生产力并释放您的 AI 优势。立即探索！
10 个工具
xix.ai
2026年最新、最受好评的AI大纲生成器，专为长篇SEO文章打造，由XIX.AI精心甄选。这些强大的工具在快速创建高质量内容方面提供了颠覆性的帮助，显著提升了写作效率。 获取免费版与付费版的对比分析，以及实际测试结果和详细排名，助您找到最适合自身需求、不容错过的理想选择。立即探索，解锁您的AI竞争优势。
8 个工具
xix.ai
2026年最新最佳AI学习工具，助您轻松完成作业和备考！XIX.AI精心筛选出一份广受好评的顶级工具清单，这些功能强大、颠覆传统的工具经过实际测试，能帮助学生提升效率、简化作业流程，并轻松通过考试。 获取免费版与付费版的对比分析、详细排名以及必试选项，释放你的AI优势。立即探索！
10 个工具
xix.ai
2026 年最新最佳 AI 人声演示工具，专为词曲创作者、旋律创作者和多语言内容团队打造！XIX.AI 精心整理了一份经过严格真实世界测试的高评分、变革性工具列表。您将找到详细的免费与付费对比数据、全面排名以及必试选项，帮助您提升创作效率并释放创意潜力。立即探索，发现满足您所有内容需求的完美工具！
9 个工具
xix.ai
2026年最新最佳、评价最高的中小企业AI竞争研究工具！XIX.AI精心精选了一系列功能强大、颠覆行业格局的工具，每周都会根据严格的实际测试和详细排名进行更新。您可以查看全面的免费版与付费版对比，从而找到那些能提升工作效率、助您赢得竞争优势的必试工具。 立即探索，发现最适合您的工具！
9 个工具
xix.ai
