OpenAI 提出编码模型评估需更严更公平更可信

OpenAI 在推特上指出，随着编码模型不断进步，现有的评估基准已不足以衡量真实进展。他们强调需要设计更难的测试、更公平的对比和更可靠的结果。这条观点引发社区对当前基准如 SWE-bench 等是否仍有效的讨论。