热点事件 历史事件
Epoch AI 发布 SWE-Bench Pro 基准评审：基于多方审计（OpenAI 估计约30%任务损坏）及 Poolside 记录的 reward hacking，判断很可能逾20%题目含评分缺陷，评定其为 Flawed（部分评审）
先了解这件事
报道摘要Epoch AI 对 SWE-Bench Pro 的基准评审判定其为 Flawed，认为很可能超过 20% 的任务存在评分缺陷。
报道时间线
沿着报道，了解事件的不同侧面。
显示 1 篇全部报道，最新在前
- Epoch AI 评审 SWE-Bench Pro：超 20% 任务存在评分缺陷，判定为 Flawed
Epoch AI 对 SWE-Bench Pro 的基准评审判定其为 Flawed，认为很可能超过 20% 的任务存在评分缺陷。