<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>基准污染 :: 标签 :: x7peeps</title><link>https://blog.x7peeps.com/tags/%E5%9F%BA%E5%87%86%E6%B1%A1%E6%9F%93/index.html</link><description/><generator>Hugo</generator><language>zh-CN</language><lastBuildDate>Wed, 28 Oct 2026 12:00:00 +0800</lastBuildDate><atom:link href="https://blog.x7peeps.com/tags/%E5%9F%BA%E5%87%86%E6%B1%A1%E6%9F%93/index.xml" rel="self" type="application/rss+xml"/><item><title>SWE-bench 被停报：看编码榜单先查基准</title><link>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/SWE-bench-%E8%A2%AB%E5%81%9C%E6%8A%A5%E7%9C%8B%E7%BC%96%E7%A0%81%E6%A6%9C%E5%8D%95%E5%85%88%E6%9F%A5%E5%9F%BA%E5%87%86/index.html</link><pubDate>Mon, 26 Oct 2026 06:20:00 +0800</pubDate><guid>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/SWE-bench-%E8%A2%AB%E5%81%9C%E6%8A%A5%E7%9C%8B%E7%BC%96%E7%A0%81%E6%A6%9C%E5%8D%95%E5%85%88%E6%9F%A5%E5%9F%BA%E5%87%86/index.html</guid><description>SWE-bench 被停报：看编码榜单先查基准 OpenAI 在 2026 年 2 月停止报告 SWE-bench Verified 分数。几个月后，它又审计了作为替代方案的 SWE-Bench Pro，估计约 30% 的任务存在缺陷。</description></item><item><title>SWE-bench 停报：模型解不出的题，一半是坏的</title><link>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/SWE-bench-%E5%81%9C%E6%8A%A5%E6%B7%B1%E5%BA%A6%E5%A4%8D%E7%9B%98%E6%A8%A1%E5%9E%8B%E8%A7%A3%E4%B8%8D%E5%87%BA%E7%9A%84%E9%A2%98%E4%B8%80%E5%8D%8A%E6%98%AF%E5%9D%8F%E7%9A%84/index.html</link><pubDate>Wed, 28 Oct 2026 12:00:00 +0800</pubDate><guid>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/SWE-bench-%E5%81%9C%E6%8A%A5%E6%B7%B1%E5%BA%A6%E5%A4%8D%E7%9B%98%E6%A8%A1%E5%9E%8B%E8%A7%A3%E4%B8%8D%E5%87%BA%E7%9A%84%E9%A2%98%E4%B8%80%E5%8D%8A%E6%98%AF%E5%9D%8F%E7%9A%84/index.html</guid><description>SWE-bench 停报：模型解不出的题，一半是坏的 2026 年 2 月，OpenAI 做了一件没有开发布会、但比任何一次模型发布都更值得复盘的事：SWE-bench Verified 分数不再出现在官方评测表里。最后一份报告是 80.9%，六个月前同一条曲线还在 74.9%[1]。</description></item></channel></rss>